在使用生物标志物签名的结肠癌中采用机器学习驱动的多向药物发现
Tingting Liu1, Lifan Zhong1, Xizhe Sun1
1Hainan Pharmaceutical Research and Development Science and Technology Park, Hainan Medical University, Haikou, Hainan, 571199, China.
NPJ precision oncology
|August 22, 2025
概括
这项研究介绍了结肠癌 (CC) 治疗的AI模型,集成分子数据来预测药物反应和个性化治疗. 这种先进的计算方法增强了精准医学并加速了药物发现,
科学领域:
- 计算瘤学
- 生物信息学
- 医学的人工智能
背景情况:
- 在了解结肠癌 (CC) 的分子途径和确定向治疗的基本基因方面仍存在挑战.
- 利用基因表达和突变概况等分子数据对于推进多目标疗法至关重要.
- 目前的治疗策略需要在预测药物反应和解决药物耐药性方面改进.
研究的目的:
- 开发和验证个人化结肠癌 (CC) 治疗的综合计算框架.
- 通过先进的AI算法提高治疗结果和药物反应的预测.
- 解决CC治疗的挑战,包括药物耐药性和精准医疗的需求.
主要方法:
- 从高维基基因表达,突变数据和蛋白相互作用网络中整合生物标记符号.
- 适应性细菌食 (ABF) 优化的应用,以改进搜索参数并最大限度地提高预测准确性.
- 使用CatBoost算法对患者进行基于分子概况和药物反应预测的分类.
主要成果:
- 拟议的ABF-CatBoost系统表现出优于传统机器学习模型的性能,达到98.6%的准确性,0.984的特异性,0.979的灵敏性和0.978的F1得分.
- 该模型准确预测毒性风险,新陈代谢途径和药物疗效概况,为更安全,更有效的治疗做出贡献.
- 外部验证证实该模型对个性化结肠癌治疗的预测准确性和通用性.
结论:
- 开发的AI模型通过基于患者特异性的分子形状进行个性化治疗,显著改善了结肠癌 (CC) 的精准医学.
- 这种计算框架提供了多目标治疗方法,解决药物耐药性和优化药物选择和剂量.
- 该框架的可适应性使其可用于其他癌症类型的修改,扩大其对个性化癌症治疗的影响并加速药物发现.
