Nov, 2023

TransCDR: 通过迁移学习和多模态数据融合增强癌症药物反应预测的广泛适用性的深度学习模型

PDF
TL;DR精准医学中，准确且稳健的药物反应预测至关重要。我们引入 TransCDR，利用迁移学习学习药物表示，并通过自注意机制融合药物和细胞系的多模态特征，预测细胞系对药物的 IC50 值或敏感状态。TransCDR 在预测上显示出比 8 种最先进模型更好的泛化能力，通过在不同情景下从头训练药物编码器的 5 个变体（即 RNN 和 AttentiveFP），TransCDR 的表现也超越其它模型。Extended Connectivity Fingerprint 和基因突变是多种药物标记和组学特征中最关键的贡献因素。此外，基于注意力的融合模块进一步增强了 TransCDR 的预测性能。在 GDSC 数据集上训练的 TransCDR 在外部测试集 CCLE 上表现出强大的预测性能。同时，我们还通过将 TCGA 的 7,675 名患者分类为药物敏感组和药物耐药组，进行基因集富集分析来研究药物反应的生物机制。TransCDR 是一种强大的工具，在药物反应预测中具有重要潜力。源代码和数据可在此 URL 中访问。
drug response predictionprecision medicinetranscdrtransfer learningpredictive performance
发现论文，激发创造
  • 基于 Transformer 的深度网络用于预测癌症药物反应

    本研究提出了一种基于 transformer 的神经网络 TCR 来预测抗癌药物的反应，利用注意力机制学习了药物子结构和分子签名之间的相互作用，同时设计了双重损失函数和交叉采样策略以提高预测能力，实验结果表明 TCR 优于其他方法，在独立的体外实验和体内实验中表现出显著的预测效果，具有癌症药物再利用和精准肿瘤治疗的潜在价值。

    Jul, 2022

  • 个性化药物识别器：利用辅助信息的癌症治疗推荐系统

    癌症个性化治疗是全球面临的一个挑战，在临床和经济上都具有不断增长的负担。为了有效利用临床诊断面板中的基因组分析，需要准确的药物反应预测模型，本研究提出了一种基于转换器的创新方法，超越了基准数据上最先进的药物反应预测模型的性能，同时还设计了一种治疗建议系统，并正在新加坡国立大学医院进行临床试验评估。

    Feb, 2024

  • CLDR: 自然语言监督下的对比学习药物响应模型

    利用基于深度学习的药物响应预测方法可以加快药物研发过程和降低研发成本。通过提出一种基于对比学习的自然语言监督框架，将回归标签转换为文本，并将其与传统的图形和序列模态进行比较，可以在药物响应预测方面取得卓越的预测性能，并能有效约束样本在表示空间中的连续分布。

    Dec, 2023

  • drGAT：基于关注引导的药物反应基因评估，利用药物 - 细胞 - 基因异质网络

    机器学习在药物开发过程中被广泛应用，然而药物响应预测中的模型解释性是一个重要挑战，本研究通过构建异质图来设计了一种名为 drGAT 的图深度学习模型，用于药物敏感性预测和药物机制的解释，该模型在预测药物敏感性方面表现出优越性能，也能用于寻找与癌症患者治疗相关的生物标志物。

    May, 2024

  • TransEDRP：具有嵌入边缘的双变压器模型，用于药物反应预测

    提出了用于药物反应预测的解耦双变压器结构，用于表示细胞系基因组和药品的结构，以解决 GNN 方法只能提取节点信息，传统 transformer 方法无法提取与节点之间的化学键相关的信息，以及 CNN 方法无法全局感知序列信息等问题，并在所有评估指标中优于当前主流方法。

    Oct, 2022

  • 通过对比学习增强药物和细胞系的表征，以改进抗癌药物优先级

    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

  • DeepCRE: 采用尖端的计算模型改革药物研发

    药物开发与治疗应用领域面临巨大挑战，交叉药物反应评估在药物开发的后期阶段的不足成为一个原因。现有的计算模型存在局限性，无法进行全面的交叉药物反应评估分析。本文介绍了一种名为 DeepCRE 的新型计算模型，并展示了 DeepCRE 在推动治疗发现与开发方面的潜力。通过在病患层面的交叉药物反应评估中，DeepCRE 的平均性能提升达到 17.7%，指示性的交叉药物反应评估提升了 5 倍。此外，DeepCRE 在 5/8 的结肠直肠癌有机体中，已确定了与两种已批准药物相比，6 种显示出显著更有效的药物候选物。这凸显了 DeepCRE 鉴定具有更优疗效的药物候选物的能力，突显其在治疗发展领域的潜力革新。

    Mar, 2024

  • T 细胞响应预测的迁移学习

    我们研究了特定给定肽段的 T 细胞反应的预测，这对于个性化癌症疫苗的开发来说可能是一个关键步骤。我们使用了转换器模型进行 T 细胞反应预测，发现膨胀的预测性能不仅仅是理论上的问题，而是在实践中发生的。因此，我们提出了一个领域感知的评估方案，并研究了不同的迁移学习技术来处理多领域结构和捷径学习。我们证明了一种基于源的细调方法在各种肽源上都有效，并进一步证明我们的最终模型优于现有的最先进方法，用于预测人类肽段的 T 细胞反应。

    Mar, 2024

  • WISER：利用弱监督和监督学习来提高癌症药物反应预测

    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

  • CDR-Adapter：学习适配器以提取跨领域推荐模型更多的迁移能力

    本研究提出了一种名为 CDR-Adapter 的可扩展和高效的跨领域推荐模型，通过解耦原始推荐模型和映射函数的方式，有效解决了数据稀疏性和冷启动问题，并且无需重新设计网络结构。CDR-Adapter 采用适配器模块对特征表示进行对齐，实现了不同领域的灵活知识传递和以最小训练成本进行高效微调。在基准数据集上进行的大量实验证明了我们方法在多个最先进的 CDR 方法上的优越性。

    Nov, 2023