Fugu-MT 論文翻訳(概要): Personalised Medicine: Establishing predictive machine learning models for drug responses in patient derived cell culture

論文の概要: Personalised Medicine: Establishing predictive machine learning models for drug responses in patient derived cell culture

arxiv url: http://arxiv.org/abs/2408.13012v1
Date: Fri, 23 Aug 2024 11:58:50 GMT
ステータス: 処理完了
システム内更新日: 2024-08-26 15:10:31.032682
Title: Personalised Medicine: Establishing predictive machine learning models for drug responses in patient derived cell culture
Title（参考訳）: パーソナライズドメディカル:患者由来細胞培養における薬物応答予測機械学習モデルの構築
Authors: Abbi Abdel-Rehim, Oghenejokpeme Orhobor, Gareth Griffiths, Larisa Soldatova, Ross D. King,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: The concept of personalised medicine in cancer therapy is becoming increasingly important. There already exist drugs administered specifically for patients with tumours presenting well-defined mutations. However, the field is still in its infancy, and personalised treatments are far from being standard of care. Personalised medicine is often associated with the utilisation of omics data. Yet, implementation of multi-omics data has proven difficult, due to the variety and scale of the information within the data, as well as the complexity behind the myriad of interactions taking place within the cell. An alternative approach to precision medicine is to employ a function-based profile of the cell. This involves screening a range of drugs against patient derived cells. Here we demonstrate a proof-of-concept, where a collection of drug screens against a highly diverse set of patient-derived cell lines, are leveraged to identify putative treatment options for a 'new patient'. We show that this methodology is highly efficient in ranking the drugs according to their activity towards the target cells. We argue that this approach offers great potential, as activities can be efficiently imputed from various subsets of the drug treated cell lines that do not necessarily originate from the same tissue type.
Abstract（参考訳）: がん治療におけるパーソナライズドメディカルの概念はますます重要になりつつある。腫瘍患者に特異的に投与される薬物は、すでに存在する。しかし、この分野はまだ初期段階であり、パーソナライズされた治療は医療の標準には程遠い。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。しかし、マルチオミクスデータの実装は、データ内の情報の多様性と規模、そして細胞内の無数の相互作用の背後にある複雑さにより、困難であることが証明されている。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。これには、患者由来の細胞に対する様々な薬物のスクリーニングが含まれる。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ンの集合体を, 「新規患者」に対する治療オプションの同定に活用する概念実証を行った。本手法は, 標的細胞に対する活性に応じて薬剤のランク付けに有効であることを示す。薬物治療細胞株の様々なサブセットから活性を効果的に阻害できるため,本手法は大きな可能性を秘めている,と我々は主張する。

関連論文リスト

Generalize Drug Response Prediction by Latent Independent Projection for Asymmetric Constrained Domain Generalization [11.649397977546435]
本稿では,この課題に対処する新しいドメイン一般化フレームワークであるpanCancerDRを提案する。本研究は,癌細胞株をドメイン特異的な試料として,各がんタイプを異なるソースドメインとして概念化する。実験により,PanCancerDRは多様なソースドメインからタスク関連機能を効果的に学習できることが実証された。
論文参考訳（メタデータ） (2025-02-06T12:53:45Z)
A Deep Subgrouping Framework for Precision Drug Repurposing via Emulating Clinical Trials on Real-world Patient Data [7.625705701507038]
本稿では,サブグループ分析と治療効果推定を統合した新しい薬物再資源化フレームワークであるSTEDRを紹介する。提案手法は, 実世界の患者データを用いて, 複数の臨床試験をエミュレートして, 再購入候補を同定する。アルツハイマー病 (AD) は, 承認された薬剤がほとんどなく, 治療反応の異種性も知られている疾患である。
論文参考訳（メタデータ） (2024-12-29T06:32:52Z)
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)
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)
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)
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)
SynerGPT: In-Context Learning for Personalized Drug Synergy Prediction and Drug Design [64.69434941796904]
本稿では,テキスト内薬物相乗学習のための新しい設定とモデルを提案する。特定のがん細胞標的の文脈における10～20の薬物相乗関係の「個人化データセット」を作成した。私たちの目標は、その文脈で追加の薬物シナジー関係を予測することです。
論文参考訳（メタデータ） (2023-06-19T17:03:46Z)
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)
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。