基于多尺度局部累积特征和神经网络的抗肿瘤药物反应预测

目前已有的研究结果表明现有抗肿瘤药物的有效性高度依赖于患者的基因组学特征.如何为每位肿瘤患者量身定制最佳的治疗方案是重要又富有挑战性的前沿课题.针对该课题,文中提出抗肿瘤药物反应预测方法,运用机器学习技术,对患者肿瘤基因测序数据进行处理、特征提取及建模,预测各种不同抗肿瘤药物的疗效反应.首先,提出基于多尺度关联规则的数据挖掘方法,对基因组学数据进行不同尺度的特征挑选.进而通过累积窗函数对挑选后的基因组学数据进行局部累积,进一步执行数据压缩,提取具有较强整体表达性的基因特征信息.然后,以多层全连接神经网络为模型、以提取的多尺度累积基因特征为输入样本,进行训练和建模.最后,分别采用特征融合和决策融合,实现某一肿瘤基因测序数据对于各种不同抗肿瘤药物反应结果的预测.在COSMIC、GDSC数据库上的仿真实验表明,文中方法在敏感性、特异性、准确率、特性曲线面积值等关键性能指标上均取得较优值.

基于多任务消息传递神经网络的药物不良反应预测

对已知药物不良反应和药物蛋白质链路分别构建二分图,并分别基于消息传递神经网络(MPNN)和TransE模型进行建模,同时以交叉压缩单元(CCU)作为共享单元,联结药物不良反应预测和药物蛋白质链路预测,构建多任务MPNN(MT-MPNN)模型,提高对未知药物不良反应的预测效果。对SIDER公开数据集的89855例样本数据和DrugBank的5928例数据进行五折交叉验证,实验结果显示,在测试集上其平均受试者工作特征曲线下面积(AUROC)和平均F1值分别为0.9469和0.8753,表明本研究提出的MT-MPNN模型可以辅助临床有效挖掘潜在未知的药物不良反应。

癌症药物耐药潜在机制及预测方法

癌症严重威胁着人类的健康和生命,其发病率和死亡率逐年上升。尽管抗癌药物的研发已经取得了长足的发展,但患者在治疗过程中仍不可避免地产生耐药性,从而导致肿瘤的复发。癌症耐药的机制十分复杂,如何准确预测癌症患者对药物的响应水平并提前干预,已成为癌症研究领域的一大热点问题。随着高通量生物医学数据的不断积累,研究人员开发了多个癌症耐药相关的大型数据平台,使生物医学大数据的挖掘更加便捷;同时,随着人工智能技术的发展,各种机器学习方法也被应用于癌症耐药的预测。因此,本文概括了抗癌药物常见的耐药机制,总结了癌症耐药相关的数据库,阐述了耐药性预测方法,希望为耐药肿瘤的治疗和新药开发提供参考和思路。

基于核矩阵降维算法对药物不良反应的预测

药物不良反应(drug adverse reactions,ADRs)的早期准确鉴定对药物研发和临床用药安全具有重要的实际意义。基于计算机辅助预测药物的不良反应已经引起了越来越多的重视。将一种核矩阵降维(kernel matrix dimension reduction,KMDR)算法应用于药物不良反应的统计预测中,考察该方法在药物不良反应上的预测性能。通过与其他两种参考算法在相同标准数据集上进行交叉验证和独立测试的计算实验表明,KMDR算法是一种值得推广的预测药物不良反应的候选统计算法。