論文の概要: Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug
Response
- arxiv url: http://arxiv.org/abs/2005.09572v1
- Date: Wed, 13 May 2020 20:29:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-03 13:44:19.744046
- Title: Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug
Response
- Title（参考訳）: 抗がん剤反応予測のためのアンサンブル転送学習
- Authors: Yitan Zhu, Thomas Brettin, Yvonne A. Evrard, Alexander Partin,
Fangfang Xia, Maulik Shukla, Hyunseung Yoo, James H. Doroshow, Rick Stevens
- Abstract要約: 本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。
我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。
アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
- 参考スコア（独自算出の注目度）: 49.86828302591469
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Transfer learning has been shown to be effective in many applications in
which training data for the target problem are limited but data for a related
(source) problem are abundant. In this paper, we apply transfer learning to the
prediction of anti-cancer drug response. Previous transfer learning studies for
drug response prediction focused on building models that predict the response
of tumor cells to a specific drug treatment. We target the more challenging
task of building general prediction models that can make predictions for both
new tumor cells and new drugs. We apply the classic transfer learning framework
that trains a prediction model on the source dataset and refines it on the
target dataset, and extends the framework through ensemble. The ensemble
transfer learning pipeline is implemented using LightGBM and two deep neural
network (DNN) models with different architectures. Uniquely, we investigate its
power for three application settings including drug repurposing, precision
oncology, and new drug development, through different data partition schemes in
cross-validation. We test the proposed ensemble transfer learning on benchmark
in vitro drug screening datasets, taking one dataset as the source domain and
another dataset as the target domain. The analysis results demonstrate the
benefit of applying ensemble transfer learning for predicting anti-cancer drug
response in all three applications with both LightGBM and DNN models. Compared
between the different prediction models, a DNN model with two subnetworks for
the inputs of tumor features and drug features separately outperforms LightGBM
and the other DNN model that concatenates tumor features and drug features for
input in the drug repurposing and precision oncology applications. In the more
challenging application of new drug development, LightGBM performs better than
the other two DNN models.
- Abstract（参考訳）: 転送学習は、対象問題のトレーニングデータが限られているが、関連する(ソース)問題のデータが豊富である多くのアプリケーションにおいて有効であることが示されている。
本稿では,抗がん剤反応の予測に転送学習を適用する。
薬物治療に対する腫瘍細胞の反応を予測するモデルの構築に焦点をあてた、薬物反応予測のための以前の転写学習研究。
新しい腫瘍細胞と新しい薬物の両方を予測できる一般的な予測モデルを構築するという、より困難なタスクをターゲットにしています。
我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセットで洗練する古典的な転送学習フレームワークを適用し、アンサンブルを通じてフレームワークを拡張します。
アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
薬物再資源化, 精度オンコロジー, 新規医薬品開発など, クロスバリデーションの異なるデータ分割方式による3つの応用環境の能力について検討した。
提案したアンサンブルトランスファー学習をin vitroの薬物スクリーニングデータセットで検証し,1つのデータセットをソースドメインとし,別のデータセットをターゲットドメインとする。
分析の結果,LightGBMモデルとDNNモデルの両方を用いた3つのアプリケーションにおいて,抗がん剤の反応を予測するためにアンサンブル変換学習を適用する利点が示された。
異なる予測モデルと比較すると、腫瘍の特徴と薬物特徴の入力のための2つのサブネットワークを持つdnnモデルは、光gbmと、腫瘍の特徴と薬物特徴を結合した他のdnnモデルとを別々に比較して、薬物の再構成および精密な腫瘍学応用に応用する。
新しい薬物開発への挑戦的な応用として、LightGBMは他の2つのDNNモデルよりも優れている。
関連論文リスト
- On Machine Learning Approaches for Protein-Ligand Binding Affinity Prediction [2.874893537471256]
本研究では,タンパク質-リガンド結合親和性予測における古典的木モデルと高度なニューラルネットワークの性能を評価する。
2次元モデルと3次元モデルを組み合わせることで、現在の最先端のアプローチを超えて、アクティブな学習結果が向上することを示す。
論文 参考訳（メタデータ） (2024-07-15T13:06:00Z) - Predicting Infant Brain Connectivity with Federated Multi-Trajectory
GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。
我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。
フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文 参考訳（メタデータ） (2024-01-01T10:20:01Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - Drug Synergistic Combinations Predictions via Large-Scale Pre-Training
and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。
ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。
我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文 参考訳（メタデータ） (2023-01-14T15:07:43Z) - DeepAD: A Robust Deep Learning Model of Alzheimer's Disease Progression
for Real-World Clinical Applications [0.9999629695552196]
本稿では,アルツハイマー病の進行を予測するための新しいマルチタスク深層学習モデルを提案する。
本モデルでは,3次元畳み込みニューラルネットワークの高次元MRI特徴を他のデータモダリティと統合する。
論文 参考訳（メタデータ） (2022-03-17T05:42:00Z) - Toward Robust Drug-Target Interaction Prediction via Ensemble Modeling
and Transfer Learning [0.0]
本稿では,DTI予測のための深層学習モデル(EnsembleDLM)のアンサンブルを紹介する。
EnsembleDLMは、化学物質やタンパク質の配列情報のみを使用し、複数のディープニューラルネットワークからの予測を集約する。
DavisとKIBAのデータセットで最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2021-07-02T04:00:03Z) - Transfer Learning Enhanced Generative Adversarial Networks for
Multi-Channel MRI Reconstruction [3.5765797841178597]
深層学習に基づく生成敵ネットワーク(GAN)は、アンダーサンプルMRデータを用いて画像再構成を効果的に行うことができる。
k空間データの保存は臨床フローにはないため、モデルトレーニングのために何万もの生患者データを取得することは困難である。
本研究では,GANモデル(PI-GAN)と移動学習を組み合わせた並列イメージングに基づく3つの新しい応用について検討した。
論文 参考訳（メタデータ） (2021-05-17T21:28:00Z) - Learning Curves for Drug Response Prediction in Cancer Cell Lines [29.107984441845673]
2つのニューラルネットワーク(NN)と2つの勾配強化決定木(GBDT)モデルの4つの薬物スクリーニングデータセットで訓練されたデータスケーリング特性を評価する。
学習曲線は、パワーローモデルに正確に適合し、これらの予測器のデータスケーリング挙動を評価するためのフレームワークを提供する。
論文 参考訳（メタデータ） (2020-11-25T01:08:05Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳（メタデータ） (2020-04-30T20:42:17Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。