論文の概要: TransCDR: a deep learning model for enhancing the generalizability of cancer drug response prediction through transfer learning and multimodal data fusion for drug representation

• arxiv url: http://arxiv.org/abs/2311.12040v1
• Date: Fri, 17 Nov 2023 14:55:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-23 03:48:26.585787
• Title: TransCDR: a deep learning model for enhancing the generalizability of cancer drug response prediction through transfer learning and multimodal data fusion for drug representation
• Title（参考訳）: TransCDR: 薬物表現のためのトランスファーラーニングとマルチモーダルデータ融合によるがん薬物応答予測の一般化性向上のためのディープラーニングモデル
• Authors: Xiaoqiong Xia, Chaoyu Zhu, Yuqi Shan, Fan Zhong, and Lei Liu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.740134482580255
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate and robust drug response prediction is of utmost importance in precision medicine. Although many models have been developed to utilize the representations of drugs and cancer cell lines for predicting cancer drug responses (CDR), their performances can be improved by addressing issues such as insufficient data modality, suboptimal fusion algorithms, and poor generalizability for novel drugs or cell lines. We introduce TransCDR, which uses transfer learning to learn drug representations and fuses multi-modality features of drugs and cell lines by a self-attention mechanism, to predict the IC50 values or sensitive states of drugs on cell lines. We are the first to systematically evaluate the generalization of the CDR prediction model to novel (i.e., never-before-seen) compound scaffolds and cell line clusters. TransCDR shows better generalizability than 8 state-of-the-art models. TransCDR outperforms its 5 variants that train drug encoders (i.e., RNN and AttentiveFP) from scratch under various scenarios. The most critical contributors among multiple drug notations and omics profiles are Extended Connectivity Fingerprint and genetic mutation. Additionally, the attention-based fusion module further enhances the predictive performance of TransCDR. TransCDR, trained on the GDSC dataset, demonstrates strong predictive performance on the external testing set CCLE. It is also utilized to predict missing CDRs on GDSC. Moreover, we investigate the biological mechanisms underlying drug response by classifying 7,675 patients from TCGA into drug-sensitive or drug-resistant groups, followed by a Gene Set Enrichment Analysis. TransCDR emerges as a potent tool with significant potential in drug response prediction. The source code and data can be accessed at https://github.com/XiaoqiongXia/TransCDR.
• Abstract（参考訳）: 正確かつ堅牢な薬物反応予測は、精密医療において最も重要である。 がん薬物応答(CDR)の予測に薬物や癌細胞株の表現を利用するために多くのモデルが開発されているが、その性能は、データモダリティの不足、準最適融合アルゴリズム、新規薬物や細胞株の一般化性の低下といった問題に対処することで改善することができる。 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,薬物および細胞株の多様性の特徴を自己認識機構により融合させ,IC50値や感受性状態を細胞株上で予測する。 我々は,CDR予測モデルの新規な複合足場および細胞株クラスタへの一般化を体系的に評価した最初の人物である。 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。 TransCDRは、様々なシナリオで薬物エンコーダ(RNNやAttentiveFP)をスクラッチから訓練する5つのバリエーションより優れている。 複数の薬物表記法とオミスプロファイルの最も重要な貢献者は、拡張された接続性指紋と遺伝子変異である。 さらに、注目ベースの融合モジュールは、TransCDRの予測性能をさらに向上させる。 GDSCデータセットに基づいてトレーニングされたTransCDRは、外部テストセットCCLEに対して強力な予測性能を示す。 また、GDSC上で欠落したCDRを予測するためにも使用される。 さらに,TGA患者7,675人を薬剤感受性群,薬剤耐性群に分類し,薬物応答の基盤となる生物学的メカニズムについて検討した。 TransCDRは、薬物反応予測に大きな可能性を持つ強力なツールとして出現する。 ソースコードとデータはhttps://github.com/XiaoqiongXia/TransCDRでアクセスできる。

関連論文リスト

• Dumpling GNN: Hybrid GNN Enables Better ADC Payload Activity Prediction Based on Chemical Structure [53.76752789814785]
  DumplingGNNは、化学構造に基づいてADCペイロードのアクティビティを予測するために特別に設計された、ハイブリッドなグラフニューラルネットワークアーキテクチャである。 DNAトポイソメラーゼIインヒビターに着目した包括的ADCペイロードデータセットで評価を行った。 特別なADCペイロードデータセットに対して、例外的な精度(91.48%)、感度95.08%)、特異性(97.54%)を示す。
  論文  参考訳（メタデータ） (2024-09-23T17:11:04Z)
• 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)
• Emerging Drug Interaction Prediction Enabled by Flow-based Graph Neural Network with Biomedical Network [69.16939798838159]
  本稿では,新興医薬品の相互作用を効果的に予測できるグラフニューラルネットワーク(GNN)であるEmerGNNを提案する。 EmerGNNは、薬物ペア間の経路を抽出し、ある薬物から他の薬物へ情報を伝達し、関連する生物学的概念を経路に組み込むことで、薬物のペアワイズ表現を学習する。 全体として、EmerGNNは、新興薬物の相互作用を予測する既存のアプローチよりも精度が高く、バイオメディカルネットワーク上で最も関連性の高い情報を特定できる。
  論文  参考訳（メタデータ） (2023-11-15T06:34:00Z)
• Precision Anti-Cancer Drug Selection via Neural Ranking [0.342658286826597]
  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。
  論文  参考訳（メタデータ） (2023-06-30T16:23:25Z)
• 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)
• Machine Learning Methods for Cancer Classification Using Gene Expression Data: A Review [77.34726150561087]
  がんは心臓血管疾患の2番目の死因である。 遺伝子発現は癌の早期発見において基本的な役割を担っている。 本研究は,機械学習を用いた癌分類における遺伝子発現解析の最近の進歩を概説する。
  論文  参考訳（メタデータ） (2023-01-28T15:03:03Z)
• TCR: A Transformer Based Deep Network for Predicting Cancer Drugs Response [12.86640026993276]
  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。
  論文  参考訳（メタデータ） (2022-07-10T13:01:54Z)
• CODE-AE: A Coherent De-confounding Autoencoder for Predicting Patient-Specific Drug Response From Cell Line Transcriptomics [35.67979269269178]
  我々はコヒーレント・デコンウンディング・オートエンコーダ(CODE-AE)を開発し、コヒーレント・サンプルによって共有される共通生体信号と、各データセットに固有のプライベート表現の両方を抽出する。 CODE-AEは、患者の薬物反応の予測と生物学的シグナルの分解において、最先端の方法に対する精度と堅牢性を大幅に改善する。
  論文  参考訳（メタデータ） (2021-01-31T21:17:44Z)
• 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。