論文の概要: Precision Anti-Cancer Drug Selection via Neural Ranking

• arxiv url: http://arxiv.org/abs/2306.17771v1
• Date: Fri, 30 Jun 2023 16:23:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-03 11:46:49.975915
• Title: Precision Anti-Cancer Drug Selection via Neural Ranking
• Title（参考訳）: ニューラルランキングによる高精度抗がん剤選択
• Authors: Vishal Dey and Xia Ning
• Abstract要約: 薬物および細胞株の潜伏表現を学習する2つのニューラルリストワイドランキング法を提案し,その表現を用いて各細胞株の薬物を学習可能なスコアリング機能を介してスコアリングする。 以上の結果から,List-Allはテストセルの50%に対して, hit@20で最大8.6%の大幅な改善を達成して,最高のベースラインを達成できた。
• 参考スコア（独自算出の注目度）: 0.342658286826597
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Personalized cancer treatment requires a thorough understanding of complex interactions between drugs and cancer cell lines in varying genetic and molecular contexts. To address this, high-throughput screening has been used to generate large-scale drug response data, facilitating data-driven computational models. Such models can capture complex drug-cell line interactions across various contexts in a fully data-driven manner. However, accurately prioritizing the most sensitive drugs for each cell line still remains a significant challenge. To address this, we developed neural ranking approaches that leverage large-scale drug response data across multiple cell lines from diverse cancer types. Unlike existing approaches that primarily utilize regression and classification techniques for drug response prediction, we formulated the objective of drug selection and prioritization as a drug ranking problem. In this work, we proposed two neural listwise ranking methods that learn latent representations of drugs and cell lines, and then use those representations to score drugs in each cell line via a learnable scoring function. Specifically, we developed a neural listwise ranking method, List-One, on top of the existing method ListNet. Additionally, we proposed a novel listwise ranking method, List-All, that focuses on all the sensitive drugs instead of the top sensitive drug, unlike List-One. Our results demonstrate that List-All outperforms the best baseline with significant improvements of as much as 8.6% in hit@20 across 50% test cell lines. Furthermore, our analyses suggest that the learned latent spaces from our proposed methods demonstrate informative clustering structures and capture relevant underlying biological features. Moreover, our comprehensive empirical evaluation provides a thorough and objective comparison of the performance of different methods (including our proposed ones).
• Abstract（参考訳）: パーソナライズド癌治療は、様々な遺伝学的および分子的文脈において、薬物とがん細胞株の間の複雑な相互作用を徹底的に理解する必要がある。 これを解決するために、大規模薬物応答データを生成するために高スループットスクリーニングが使われ、データ駆動型計算モデルを容易にしている。 このようなモデルは、複雑な薬物-細胞間の相互作用を完全にデータ駆動の方法で捉えることができる。 しかし、各細胞株に最も敏感な薬物を正確に優先することは、依然として重要な課題である。 そこで我々は,様々な種類の癌細胞から複数の細胞株にまたがる大規模薬物応答データを活用するニューラルランキング手法を開発した。 薬物応答予測に主に回帰的および分類手法を用いる既存のアプローチとは異なり,薬物の選択と優先順位付けの目的を薬物ランキング問題として定式化した。 本研究では,薬物および細胞株の潜伏表現を学習する2つのニューラルリストワイドランキング法を提案し,その表現を用いて,学習可能なスコアリング機能を用いて各細胞株の薬物をスコアリングする。 具体的には,既存のListNetに基づいて,ニューラルネットワークによるリストワイドランキング手法であるList-Oneを開発した。 さらに,list-oneとは異なり,すべての感受性薬に注目する新しいリストワイズランキング手法であるlist-allを提案した。 以上の結果から,List-Allはテストセルの50%に対して, hit@20で最大8.6%の大幅な改善を達成して,最高のベースラインを達成できた。 さらに,本手法から学習した潜伏空間は,情報的クラスタリング構造を示し,その基盤となる生物学的特徴を捉えることが示唆された。 さらに,包括的実証評価により,異なる手法(提案手法を含む)の性能を包括的かつ客観的に比較した。

関連論文リスト

• Equivariant Graph Attention Networks with Structural Motifs for Predicting Cell Line-Specific Synergistic Drug Combinations [0.0]
  がんは2番目の死因であり、化学療法が主要な治療法の1つである。 現在、インビトロやインビトロのような薬物併用スクリーニングの方法は、スターク時間と金銭的コストのために非効率である。 3次元回転, 翻訳, リフレクションと構造モチーフの同値なグラフアテンションネットワークを用いた幾何学的深層学習モデルを用いる。
  論文  参考訳（メタデータ） (2024-11-07T14:29:05Z)
• Personalised Medicine: Establishing predictive machine learning models for drug responses in patient derived cell culture [0.0]
  パーソナライズドメディカルは、しばしばオミクスデータの利用に関連している。 精密医療への別のアプローチは、細胞の機能ベースのプロファイルを採用することである。 ここでは、極めて多様な患者由来の細胞株に対する薬物スクリーニングの集合体を活用して、「新規患者」に対する治療オプションを同定する概念実証を行う。
  論文  参考訳（メタデータ） (2024-08-23T11:58:50Z)
• 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)
• drGAT: Attention-Guided Gene Assessment of Drug Response Utilizing a Drug-Cell-Gene Heterogeneous Network [9.637695046701493]
  drGATは、薬物に対する感受性を予測するグラフ深層学習モデルである。 drGATは既存のモデルよりも優れた性能を示し、精度は78%、F1スコアは76%、DNA損傷物質は269である。 本手法は薬剤感受性を正確に予測するために有用であり,がん患者の治療に関するバイオマーカーの同定に有用である。
  論文  参考訳（メタデータ） (2024-05-14T22:16:52Z)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• 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)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• 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)
• MOOMIN: Deep Molecular Omics Network for Anti-Cancer Drug Combination Therapy [2.446672595462589]
  本稿では,がん治療における薬物併用の相乗効果を予測できるマルチモーダルグラフニューラルネットワークを提案する。 本モデルでは,薬物とタンパク質の相互作用ネットワークとメタデータに基づいて,薬物のコンテキストを複数スケールで表現する。 このモデルが癌細胞株の組織を広範囲にわたって高い品質で予測できることを実証した。
  論文  参考訳（メタデータ） (2021-10-28T13:10:25Z)
• Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug Response [49.86828302591469]
  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。
  論文  参考訳（メタデータ） (2020-05-13T20:29:48Z)
• 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。