机器学习模型结合细胞基因组特征和药物化学特征,可以预测癌细胞株对治疗药物的敏感度,从而设计更优化的虚拟药物筛选来发现新型抗肿瘤药物的机会并最终应用于个性化医疗。
Dec, 2012
利用大规模的药物反应数据,开发了两种基于神经网络的药物列表排序方法来优先选择最敏感药物,结果表明我们提出的方法具有更高的命中率,并且通过聚类结构可以捕捉与生物特征相关的信息。
Jun, 2023
癌症的复杂性和对治疗的不同反应使得基于组学序列分析的精准肿瘤学成为当前的标准。然而,每个患者产生的大量数据使得快速确定最佳治疗方案变得困难。为了改善对有效药物 - 细胞系对的学习能力,我们提出使用对比学习来改进药物和细胞系的表示,从而保留与药物作用机制和细胞系癌症类型相关的关系结构。除了相对于现有方法实现了更好的性能外,我们发现使用我们学习到的表示的分类器在进行预测时对药物和细胞系特征的依赖更加平衡。这有助于基于与药物耐药性相关的信号提供更个性化的药物优先级选择。
Oct, 2023
本研究提出了一种新的方法,使用基因表达数据进行癌症分类问题的解决,首先运用信噪比算法筛选出非冗余基因的子集,然后运用多目标粒子群算法进行特征选择,并采用自适应 K 最近邻算法进行癌症分类,从而提高了癌症分类的准确性。
May, 2022
本文通过应用监督对比学习将肿瘤基因表达和临床数据转换为低维特征空间,并使用学习的特征训练 Cox 模型来预测肿瘤预后,提高了肿瘤预后的准确性。
通过应用模糊基因选择技术,本研究提出了一个新的肿瘤分类模型,优于标准 MLP 方法,并在生物医学科学领域中提高了基因表达数据的分类准确性。
May, 2023
免疫治疗在癌症治疗方面展现出了希望。目前的研究结果显示,免疫治疗药物在处理肿瘤方面具有高效性,与传统化疗方法相比,患者的生存率明显提高,并且副作用减少。然而,适用于免疫治疗的患者数量相对较小,这表明对于为什么某些个体对治疗有积极反应而其他人效果有限缺乏全面的了解。为解决这个问题,作者提出了一种创新策略,利用非线性的细胞结构和深度下游分类器,来选择并增强从胸腹部 CT 图像中提取的 2D 特征,从而提高治疗结果的预测能力。所提出的流程能够与先进的嵌入式治疗设备无缝集成。在这个背景下,作者提出了一个针对转移性膀胱上皮癌(mUC)的引人注目案例研究。对所提方法的性能评估强调了其有效性,总体准确率达到了约 93%。
Jul, 2023
为了提高个体化治疗策略的研究,本文通过引入一种新颖的表示学习方法和弱监督,解决了癌症患者基因组数据和药物响应数据的差异问题,并在真实患者数据上证明了方法的有效性。
May, 2024
本文提出了一种多源自适应加权模型 scAdaDrug,用于预测单细胞药物敏感性,实验结果表明该模型在预测单细胞数据集、细胞系和患者数据集的药物敏感性方面取得了最先进的性能。
Mar, 2024
通过使用条件神经网络的多任务模型,结合人工智能和声子显微镜技术,来研究和识别高频超声数据中的癌细胞;该方法能够校正批次效应、进行准确的细胞分类,并重构降噪信号,以实现疾病状态的物理解释。