論文の概要: WISER: Weak supervISion and supErvised Representation learning to improve drug response prediction in cancer
- arxiv url: http://arxiv.org/abs/2405.04078v1
- Date: Tue, 7 May 2024 07:21:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-08 14:59:23.584573
- Title: WISER: Weak supervISion and supErvised Representation learning to improve drug response prediction in cancer
- Title(参考訳): WISER:がんにおける薬物反応予測を改善するための弱スーパービシオンとsupErvised Representation Learning
- Authors: Kumar Shubham, Aishwarya Jayagopal, Syed Mohammed Danish, Prathosh AP, Vaibhav Rajan,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 7.9505208530650995
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cancer, a leading cause of death globally, occurs due to genomic changes and manifests heterogeneously across patients. To advance research on personalized treatment strategies, the effectiveness of various drugs on cells derived from cancers (`cell lines') is experimentally determined in laboratory settings. Nevertheless, variations in the distribution of genomic data and drug responses between cell lines and humans arise due to biological and environmental differences. Moreover, while genomic profiles of many cancer patients are readily available, the scarcity of corresponding drug response data limits the ability to train machine learning models that can predict drug response in patients effectively. Recent cancer drug response prediction methods have largely followed the paradigm of unsupervised domain-invariant representation learning followed by a downstream drug response classification step. Introducing supervision in both stages is challenging due to heterogeneous patient response to drugs and limited drug response data. This paper addresses these challenges through a novel representation learning method in the first phase and weak supervision in the second. Experimental results on real patient data demonstrate the efficacy of our method (WISER) over state-of-the-art alternatives on predicting personalized drug response.
- Abstract(参考訳): 世界規模の死因であるがんは、ゲノム的変化によって発生し、患者間で不均一に現れる。
パーソナライズされた治療戦略の研究を進めるために, 実験室環境において, がん由来細胞(細胞株)に対する各種薬剤の有効性を実験的に決定する。
それでも、細胞株とヒト間のゲノムデータの分布と薬物応答の変動は、生物学的および環境的差異によって生じる。
さらに、多くのがん患者のゲノムプロファイルが容易に利用可能であるが、対応する薬物反応データの不足は、患者の薬物反応を効果的に予測できる機械学習モデルを訓練する能力を制限している。
近年のがん薬物応答予測法は、制御されていないドメイン不変表現学習のパラダイムに従っており、その後下流の薬物応答分類段階が続いている。
薬物に対する不均一な患者反応と限定的な薬物反応データにより、両段階の監督の導入は困難である。
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。
実際の患者データを用いた実験結果から, パーソナライズされた薬物反応の予測に対する最先端の代替手段に対する本法(WISER)の有効性が示された。
関連論文リスト
- DRExplainer: Quantifiable Interpretability in Drug Response Prediction with Directed Graph Convolutional Network [9.641021461914551]
薬物反応予測のための新しい解釈可能な予測モデルDRExplainerを提案する。
DRExplainerは、細胞株のマルチオミクスプロファイル、薬物の化学構造、既知の薬物応答を統合した有向二部ネットワークを構築する。
計算実験では、DRExplainerは最先端の予測手法と別のグラフベースの説明手法より優れている。
論文 参考訳(メタデータ) (2024-08-22T05:45:48Z) - 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) - 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) - Zero-shot causal learning [64.9368337542558]
CaMLは因果メタラーニングフレームワークであり、各介入の効果をタスクとしてパーソナライズした予測を定式化する。
トレーニング時に存在しない新規介入のパーソナライズされた効果を予測することができることを示す。
論文 参考訳(メタデータ) (2023-01-28T20:14:11Z) - 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) - Deep learning methods for drug response prediction in cancer:
predominant and emerging trends [50.281853616905416]
がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。
最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。
このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
論文 参考訳(メタデータ) (2022-11-18T03:26:31Z) - 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) - Deep learning for drug repurposing: methods, databases, and applications [54.08583498324774]
新しい治療法のために既存の薬物を再利用することは、実験コストの低減で薬物開発を加速する魅力的な解決策である。
本稿では,薬物再資源化のための深層学習手法とツールの活用に関するガイドラインを紹介する。
論文 参考訳(メタデータ) (2022-02-08T09:42:08Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳(メタデータ) (2020-10-08T15:30:17Z) - 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)
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。