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
- 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) - 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) - 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) - Neural Bandits for Data Mining: Searching for Dangerous Polypharmacy [63.135687276599114]
一部の多薬局は、不適切とみなされており、死亡や入院などの健康上の有害な結果に関係している可能性がある。
我々は、クレームデータセットを効率的にマイニングし、薬物の組み合わせと健康結果の関係の予測モデルを構築するためのOptimNeuralTS戦略を提案する。
提案手法では,最大72%のPIPを検出でき,平均精度は99%であり,30000タイムステップで検出できる。
論文 参考訳(メタデータ) (2022-12-10T03:43:23Z) - A generative recommender system with GMM prior for cancer drug
generation and sensitivity prediction [1.0128447823756244]
本稿では,変分オートエンコーダを用いた薬物効率評価推薦システムであるVADEERSについて述べる。
化合物の生成は、半教師付きガウス混合モデル(GMM)による新しい変分オートエンコーダによって実行される。
VADEERSは、薬物と細胞株の性質とそれらの関係の包括的モデルを提供し、新規化合物を誘導する。
論文 参考訳(メタデータ) (2022-06-07T20:13:03Z) - 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。