改善协同药物组合预测与基于签名的基因表达特征在瘤学

科学领域:

• 计算生物学是一种计算生物学.
• 药物基因组学 药物基因组学
• 机器学习在药物发现中的作用

背景情况:

• 组合疗法对于癌症等复杂疾病至关重要,旨在提高疗效和减少耐药性.
• 鉴定最佳药物组合是具有挑战性的,因为组合的复杂性和实验成本.
• 目前用于药物协同作用预测的机器学习模型往往忽略了功能药物信息和细胞环境,严重依赖化学结构.

研究的目的:

• 引入一种新的计算方法,用于使用生物知情药物抗药特征 (DRS) 预测药物协同作用.
• 与传统药物描述器相比,评估各种机器学习和深度学习模型中的DRS特征的性能.
• 验证基于DRS的独立药物组合数据集框架的可通用性.

主要方法:

• 开发了一种新的方法,将药物耐药性签名 (DRS) 集成为药物信息的生物知情表示.
• 使用机器学习模型 (LASSO,随机森林,AdaBoost,XGBoost) 和深度学习模型 (SynergyX) 评估的DRS功能.
• 将DRS特征的预测性能与传统药物特征和基于化学结构的描述符进行了比较.

主要成果:

• 结合DRS功能的模型在所有评估的机器学习和深度学习算法中始终超过传统方法.
• 在独立数据集 (ALMANAC,O'Neil,OncologyScreen,DrugCombDB) 上的验证证实了基于DRS的框架的稳定性和通用性.
• 整合DRS特征导致药物协同效应预测的准确性和可解释性得到改善.

结论:

• 这项研究强调了将耐药性信息转录特征 (如DRS) 纳入药物协同作用预测的计算模型的重要性.
• DRS为药物功能提供了生物学相关的背景,提高了预测模型的准确性和可解释性.
• 这种方法提供了一种强大的策略,用于指导在癌症等复杂疾病中发现有效的组合疗法.