Hibrit derin sinir ağları ile kanserde ilaç yanıt tahmini

Her hastaya en uygun tedavi seçeneğini belirlemek, tıbbın ana hedefidir. Aynı tanıya sahip hastalar, genetik heterojenlik nedeniyle uygulanan tedaviye özellikle kanserlerde farklı duyarlılık gösterebilir. Bu çalışmada, kanser hücrelerinin ilaç yanıtlarını (duyarlılığını) tahmin eden bir makine öğrenmesi tabanlı sistem olan DeepResponse'u öneriyoruz. DeepResponse, büyük ölçekli tarama projelerinden elde edilen farklı kanser hücre hatlarının çoklu-omik profillerini ve ilaçların moleküler özelliklerini giriş seviyesinde kullanır ve tümörün çoklu-omik özellikleri ile uygulanan ilaca olan duyarlılığı arasındaki ilişkiyi öğrenmek için hibrit konvolüsyonel ve çizge dönüştürücü derin sinir ağları aracılığıyla işler. DeepResponse, rastgele bölme, hücre tabakalaştırılmış bölme ve ilaç tabakalaştırılmış bölme test veri setleri için sırasıyla 1.014 ± 0.001, 1.105 ± 0.013 ve 1.142 ± 0.104 kök ortalama kare hatasına ulaşarak ilaç yanıtlarını tahmin etmedeki etkinliğini göstermiştir. Performans sonuçları, DeepResponse'un kanser hücrelerinin ilaç duyarlılığını başarıyla tahmin ettiğini ve özellikle çoklu-omik yönünün öğrenme sürecinden faydalandığını ve tüm bölümlerde mevcut modellerden daha iyi performansa sahip olduğunu gösterir. Her bir omik veri türünün DeepResponse'un performansı üzerindeki etkisini değerlendirmek için bir ablasyon çalışması yürütüldü, bu da ilaç yanıtı tahmininde çoklu- omik entegrasyonun önemini kanıtladı. DeepReponse'un kullanımına örnek olarak, Eprinomectin, hepatosellüler karsinoma kanser hücre hatlarına karşı yeniden amaçalanma ilaç adayı olarak önerildi ve ıslak laboratuvar deneylerinde doğrulandı. DeepResponse'un kod tabanı, veri setleri ve sonuçları https://github.com/HUBioDataLab/DeepResponse adresinde paylaşılmıştır. DeepResponse, yeni ilaç adaylarının erken aşama keşfi ve dirençli tümörlere karşı mevcut olanların yeniden amaçlanması için kullanılabilir.