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
TransCDR: a deep learning model for enhancing the generalizability of cancer drug response prediction through transfer learning and multimodal data fusion for drug representation
Xiaoqiong Xia, Chaoyu Zhu, Yuqi Shan, Fan Zhong, Lei Liu
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。