一种针对单细胞瘤的药物反应预测方法,结合了注意力网络和转移学习

科学领域:

• 在瘤学瘤学.
• 计算生物学 计算生物学
• 基因组学就是基因组学.

背景情况:

• 准确预测瘤细胞对治疗药物的反应对个性化癌症治疗至关重要.
• 目前使用大量细胞数据的方法不能完全捕捉瘤异质性和治疗反应的复杂机制.

研究的目的:

• 引入一种新的方法,ATSDP-NET (基于注意力的转移学习,用于增强单细胞药物反应预测),它结合了批量和单细胞数据,以改进药物反应预测.
• 通过使用多头注意力机制识别与药物反应相关的基因表达模式,提高模型的表达力和预测准确性.

主要方法:

• ATSDP-NET利用转移学习和注意力网络来预测单细胞瘤数据中的药物反应.
• 该模型预先训练了大量细胞基因表达数据,并结合了多头注意力机制.

主要成果:

• 在四个单细胞RNA测序数据集上,ATSDP-NET在现有方法上表现优越,在回忆,ROC和平均精度 (AP) 上表现优于现有方法.
• 该模型准确地预测了小鼠和人类癌症细胞系的药物敏感性和耐药性.
• 相关性分析显示,预测和实际敏感性 (R = 0.888) 和耐药性 (R = 0.788) 基因得分之间存在很高的相关性.

结论:

• ATSDP-NET识别了与药物反应相关的关键基因,为药物耐药性机制提供了洞察力.
• 这种方法有可能开发个性化癌症治疗策略.