Novel machine learning model for predicting cancer drugs’ susceptibilities and discovering novel treatments
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVE: Timely treatment is crucial for cancer patients, so it's important to administer the appropriate treatment as soon as possible. Because individuals can respond differently to a given drug due to their unique genomic profiles, we aim to use their genomic information to predict how various drugs will affect them and determine the best course of treatment. METHODS: We present Kernelized Residual Stacking (KRS), a new multi-task learning approach, and use it to predict the responses to anti-cancer drugs based on genomic data. We demonstrate the superior predictive performance of KRS, outperforming popular competitors, by utilizing the Genomics of Drug Sensitivity in Cancer (GDSC) study and the Cancer Cell Line Encyclopedia (CCLE) study. Downstream analysis of feature genes selected by KRS is conducted to discover novel therapies. RESULTS: We used two genomic studies to show that KRS outperforms a few popular competitors in predicting drugs' susceptibilities. Through downstream analysis of feature genes selected by KRS, we found that the PI3K-Akt pathway could alter drugs' susceptibilities, and its expression correlated positively with the hub gene ERBB2. We discovered eight novel small molecules based on these feature genes, which could be developed into novel combination therapies with anti-cancer drugs. CONCLUSIONS: KRS outperforms competitors in prediction performance and selects feature genes highly correlated with drugs' susceptibilities. Novel biological results are found by investigating KRS's feature genes.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».