生物信息学|使用迁移学习预测未被研究组织中的抗癌药物协同作用

本篇推文引自：Anti-cancer Drug Synergy Prediction in Understudied Tissues using Transfer Learning

1. 摘要

    动机:高通量组合药物筛选在确定癌症治疗方案上具有优势。一个关键的挑战是，对不同类型癌症的体外药物反应的观察积累数量差异很大，其中一些组织(如骨和前列腺)的研究不足。因此，本文的目标是建立一个药物协同预测模型，以克服缺乏研究的组织数据短缺问题。

    结果:从六个不同的数据库中收集了一套完整的癌细胞的遗传、分子和表型特征。开发了一个基于深度神经网络的药物协同预测模型，以整合多模态输入，并利用从数据丰富的组织到数据贫乏的组织的迁移学习。在没有足够的药物组合筛选数据和治疗后转录组的组织中，在预测药物协同作用方面显示出了较高的准确性。本文的协同作用预测模型可以用于在研究不足的组织中对协同药物组合进行排序，从而帮助确定未来体外实验的优先级。

2. 介绍

    药物发现是一个既昂贵又费时的过程。系统地整合以前的研究结果和知识可能会改变游戏规则，从而找出有前景的药物及其组合，以节省成本和加速发现。一种重要的药物反应类型是药物间的协同作用。高通量组合药物的发现有助于治疗复杂的多因素疾病。某些高效的药物组合可能是由两种或两种以上的药物组成。这一结果可归因于药物的添加或协同作用。

    计算药物协同效应预测模型的一个关键挑战是，不同组织的体外药物反应观察量的积累存在很大差异。传统方法的目标是研究常见的组织，如乳腺，肾脏，皮肤，肺。这些方法利用某些细胞系已知的药物反应数据，并试图在数据丰富的组织中发现其他细胞系的药物反应。未被研究的组织包括骨、前列腺和胰腺，许多障碍阻碍了这些组织的药物反应研究。细胞系模型的缺乏使高通量筛选变得困难，这反过来使这些组织的研究更加不足。因此，迫切需要为未被研究的组织开发一种计算药物组合预测工具。

    本文的最终目标是对极有可能在未被研究的组织中产生协同作用的药物组合进行排序，从而帮助确定未来体外实验的优先级。为了达到这个目标，旨在为未被研究的组织开发一个药物反