論文の概要: TCR: A Transformer Based Deep Network for Predicting Cancer Drugs
Response
- arxiv url: http://arxiv.org/abs/2207.04457v1
- Date: Sun, 10 Jul 2022 13:01:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-12 13:59:23.082508
- Title: TCR: A Transformer Based Deep Network for Predicting Cancer Drugs
Response
- Title（参考訳）: tcr:癌薬剤反応予測のためのトランスフォーマーベースのディープネットワーク
- Authors: Jie Gao, Jing Hu, Wanqing Sun, Yili Shen, Xiaonan Zhang, Xiaomin Fang,
Fan Wang, and Guodong Zhao
- Abstract要約: 抗がん剤反応を予測するために,トランスフォーマーを用いたがん薬物応答(TCR)ネットワークを提案する。
注意機構を利用することで、TCRは薬物原子/サブ構造と分子シグネチャの相互作用を効率的に学習することができる。
本研究は,TCRの予測能力と癌薬物の再利用と腫瘍学の精度向上に寄与する可能性を明らかにするものである。
- 参考スコア（独自算出の注目度）: 12.86640026993276
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting clinical outcomes to anti-cancer drugs on a personalized basis is
challenging in cancer treatment due to the heterogeneity of tumors. Traditional
computational efforts have been made to model the effect of drug response on
individual samples depicted by their molecular profile, yet overfitting occurs
because of the high dimension for omics data, hindering models from clinical
application. Recent research shows that deep learning is a promising approach
to build drug response models by learning alignment patterns between drugs and
samples. However, existing studies employed the simple feature fusion strategy
and only considered the drug features as a whole representation while ignoring
the substructure information that may play a vital role when aligning drugs and
genes. Hereby in this paper, we propose TCR (Transformer based network for
Cancer drug Response) to predict anti-cancer drug response. By utilizing an
attention mechanism, TCR is able to learn the interactions between drug
atom/sub-structure and molecular signatures efficiently in our study.
Furthermore, a dual loss function and cross sampling strategy were designed to
improve the prediction power of TCR. We show that TCR outperformed all other
methods under various data splitting strategies on all evaluation matrices
(some with significant improvement). Extensive experiments demonstrate that TCR
shows significantly improved generalization ability on independent in-vitro
experiments and in-vivo real patient data. Our study highlights the prediction
power of TCR and its potential value for cancer drug repurpose and precision
oncology treatment.
- Abstract（参考訳）: 腫瘍の不均一性によるがん治療において, パーソナライズされた抗がん剤の臨床効果の予測は困難である。
従来の計算は、分子プロファイルで示される個々のサンプルに対する薬物反応の効果をモデル化するが、オミクスデータの高次元のため過度に適合し、臨床応用を妨げている。
近年の研究では、深層学習が薬物とサンプルのアライメントパターンを学習することで、薬物反応モデルを構築するための有望なアプローチであることが示されている。
しかし、既存の研究は単純な特徴融合戦略を採用しており、薬物と遺伝子を整合させる上で重要な役割を担う部分構造情報を無視しながら、薬物の特徴全体を表現としてのみ考慮していた。
本稿では,抗がん剤反応を予測するためのTCR(Transformer based network for Cancer Drug Response)を提案する。
注目機構を利用することで、TCRは薬物原子/サブ構造と分子シグネチャの相互作用を効率的に学習することができる。
さらに,tcrの予測性能を向上させるために,二重損失関数とクロスサンプリング戦略が考案された。
また,TCRは,すべての評価行列において,様々なデータ分割戦略の下で,他の手法よりも優れた性能を示した。
広範囲な実験により、TCRは、独立したin-vitro実験とin-vivoの実際の患者データに対する一般化能力を大幅に改善したことが示された。
本研究は,TCRの予測能力と癌薬物の再利用と腫瘍学の精度向上に有用であることを示す。
関連論文リスト
- Estimating the Causal Effects of T Cell Receptors [20.01390828400336]
患者に対するT細胞受容体配列の因果的影響を推測する手法を提案する。
我々のアプローチは、患者の環境や生活史など、保存されていない共同設立者に対して正当である。
デモでは、TCRが新型コロナウイルスの重症度に与える影響を分析するために使用します。
論文 参考訳（メタデータ） (2024-10-18T02:45:14Z) - Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。
回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
論文 参考訳（メタデータ） (2024-05-23T13:22:17Z) - WISER: Weak supervISion and supErvised Representation learning to improve drug response prediction in cancer [7.9505208530650995]
がんは、ゲノム的な変化と患者間で不均一に現れるため、世界中の死因の1つとなっている。
ゲノムデータの分布の変化と、細胞株とヒトの間の薬物反応の変動は、生物学的および環境的な違いによって生じる。
最近のがん薬物反応予測法は、教師なしドメイン不変表現学習のパラダイムに大きく従っている。
本稿では,第1フェーズにおける表現学習手法と第2フェーズにおける監督の弱さを通じて,これらの課題に対処する。
論文 参考訳（メタデータ） (2024-05-07T07:21:20Z) - TransCDR: a deep learning model for enhancing the generalizability of
cancer drug response prediction through transfer learning and multimodal data
fusion for drug representation [4.740134482580255]
薬物表現の学習にトランスファーラーニング(TransCDR)を導入し,薬物や細胞株のマルチモーダルな特徴を自己認識機構により融合させる。
我々は,CDR予測モデルの新規な(目に見えない)複合足場と細胞線クラスターへの一般化を系統的に評価した最初の人である。
TransCDRは8つの最先端モデルよりも優れた一般化性を示している。
論文 参考訳（メタデータ） (2023-11-17T14:55:12Z) - Enhancing drug and cell line representations via contrastive learning
for improved anti-cancer drug prioritization [0.7070726553564699]
本稿では,学習薬物や細胞株の表現を改善するために,対照的な学習法を提案する。
我々の学習した表現は、予測を行う際、薬物および細胞由来の特徴によりバランスがとれることが分かりました。
論文 参考訳（メタデータ） (2023-10-20T04:18:47Z) - T Cell Receptor Protein Sequences and Sparse Coding: A Novel Approach to
Cancer Classification [4.824821328103934]
T細胞受容体(TCR)は、適応免疫系に必須のタンパク質である。
近年のシークエンシング技術の進歩により、TCRレパートリーの包括的なプロファイリングが可能になった。
これにより、強力な抗がん活性を持つTCRの発見とTCRベースの免疫療法の開発につながった。
論文 参考訳（メタデータ） (2023-04-25T20:43:41Z) - 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) - Orientation-Shared Convolution Representation for CT Metal Artifact
Learning [63.67718355820655]
X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。
既存のディープラーニングベースの手法は、有望な再構築性能を得た。
本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
論文 参考訳（メタデータ） (2022-12-26T13:56:12Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - Deep Learning for Virtual Screening: Five Reasons to Use ROC Cost
Functions [80.12620331438052]
深層学習は サイリコの何十億もの分子を 迅速にスクリーニングする 重要なツールとなりました
その重要性にもかかわらず、厳密なクラス不均衡、高い決定しきい値、いくつかのデータセットにおける基底真理ラベルの欠如など、これらのモデルのトレーニングにおいて重大な課題が続いている。
このような場合、クラス不均衡に対するロバスト性から、レシーバ動作特性(ROC)を直接最適化することを好んで論じる。
論文 参考訳（メタデータ） (2020-06-25T08:46:37Z) - 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。