基于多输入神经网络的药物组合协同作用预测

发布时间：2022-01-04 18:17

　　药物组合的协同作用在提高药物疗效或者减轻药物毒副作用方面非常重要。然而由于药物之间复杂的作用机制,通过试验筛选新的药物组合需要巨大的成本。众所周知,运用计算模型的虚拟筛选,可以有效降低试验成本。最近,国外学者运用深度学习模型DeepSynergy,成功预测了新的药物组合在癌症细胞系上的协同作用值。在本研究中,针对DeepSynergy采用two-stage方法和输入特征单一的问题,我们提出了一种新的端到端的深度学习模型MulinputSynergy。该模型通过整合癌症细胞的基因表达、基因突变、基因拷贝数特征和抗癌药物化学特征来预测药物组合的协同作用值。为了解决细胞系某些特征维度数高的问题,我们使用卷积神经网络对基因特征降维。实验结果表明,本文提出的模型优于DeepSynergy深度学习模型,均方误差从197下降到176,平均绝对误差从9.48下降到8.77,决定系数从0.53提升到0.58。研究结果表明本文模型能从多种特征中学习抗癌药物与细胞系的潜在关系,并且快速准确地定位有效的药物组合。 

【文章来源】：生物医学工程学杂志. 2020,37(04)北大核心EICSCD

【文章页数】：8 页

【部分图文】：

MulinputSynergy的模型结构

如图2所示，对于每个细胞系，R2决定系数的变化范围从0.23到0.78，有11个细胞系的R2决定系数小于0.5，大约65%的细胞系的系数大于0.5，有11个细胞系的系数大于0.6，其中LOVO大肠癌和UWB1289卵巢癌细胞系的R2决定系数大于0.7，表现出较好的性能。从图中可以看出，不同细胞系之间的预测精度差异较大，这可能是由于不同细胞系的生物学机制不同造成的。图3 每个药物预测协同值的决定系数

图2 每个细胞系预测协同值的决定系数如图3所示，对于每种抗癌药物，R2决定系数的变化范围从0.18到0.76，有12个药物的R2决定系数小于0.5，约68%的药物的系数大于0.5，约4 2%的药物的系数大于0.6，有5个药物（BORTEZOMIB、CARBOPLATIN、DASATINIB、ERLOTINIB、TOPOTECAN）的系数大于0.7。在图3中，没有观察到药物靶向目标和R2决定系数相关性之间的明显联系。因此，靶向目标特定的机制并不能解释性能差异。从图中可以看出，不同药物之间的预测精度差异较大，这可能是由于不同的药物组合对特定细胞系的协同/拮抗作用机制不同造成的。


本文编号：3568832