在癌症细胞系中预测药物组合效益的顺序意识深度学习

科学领域:

• 计算生物学是一种计算生物学.
• 药物发现 药物发现
• 机器学习在瘤学中的应用

背景情况:

• 与单一疗法相比,药物组合疗法可以改善癌症治疗结果,降低毒性.
• 通过计算预测药物协同作用对于加速治疗发现至关重要.
• 现有的方法经常使用二进制分类或回归,但需要对组合好处进行细微,有序的分类.

研究的目的:

• 开发一种新的顺序感知深度学习模型,OrderCombo,用于预测多层次药物组合在癌症中的益处.
• 为了提高计算药物组合查的预测准确性和概括性.
• 促进发现具有不同治疗水平的新型抗癌药物组合.

主要方法:

• 订单Combo使用预训练的化学语言模型来表示药物,并使用一个以omics为导向的线性网络来表示细胞系.
• 一个混合编码器通过连接和注意力机制融合了药物和细胞系表征.
• 一个有序的对比损失函数被用来增强歧视性嵌入和保持类平凡性.

主要成果:

• 在大规模数据集上预测药物组合的好处方面,OrderCombo的表现优于最先进的基线方法.
• 该模型证明了对未见的药物对和细胞系进行强有力的概括.
• 在 silico 结果和案例研究强调了 OrderCombo 在发现新型抗癌药物组合方面的潜力.

结论:

• 订单组合提供了一个有效的框架来预测细微的药物组合益处,超越简单的协同预测.
• 顺序意识的方法提高了计算药物发现的准确性和临床相关性.
• 这种模式对通过优化药物组合推进个性化癌症治疗具有重大前景.