Deep learning transcriptomic model for prediction of pan-drug chemotherapeutic sensitivity
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The emergence of precision oncology approaches has begun to inform clinical decision-making in diagnostic, prognostic, and treatment contexts. High-throughput technology has enabled machine learning algorithms to use the molecular characteristics of tumors to generate personalized therapies. However, precision oncology studies have yet to develop a predictive biomarker incorporating pan-cancer gene expression profiles to stratify tumors into similar drug sensitivity profiles. Here we show that a neural network with ten hidden layers accurately classifies pancancer cell lines into two distinct chemotherapeutic response groups based on a pan-drug dataset with 89.0% accuracy (AUC = 0.904). Using unsupervised clustering algorithms, we found a cohort of cell line gene expression data from the Genomics of Drug Sensitivity in Cancer could be clustered into two response groups with significant differences in pan-drug chemotherapeutic sensitivity. After applying the Boruta feature selection algorithm to this dataset, a deep learning model was developed to predict chemotherapeutic response groups. The model’s high classification efficacy validates our hypothesis that cell lines with similar gene expression profiles present similar pan-drug chemotherapeutic sensitivity. This finding provides evidence for the potential use of similar combinatorial biomarkers to select potent candidate drugs that maximize therapeutic response and minimize the cytotoxic burden. Future investigations should aim to recursively subcluster cell lines within the response clusters defined in this study to provide a higher resolution of potential patient response to chemotherapeutics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle