Precision Anti-Cancer Drug Selection via Neural Ranking

要約

個別化されたがん治療には、さまざまな遺伝的および分子的状況における薬物とがん細胞株の間の複雑な相互作用を徹底的に理解する必要があります。
これに対処するために、ハイスループット スクリーニングを使用して大規模な薬物反応データが生成され、データ駆動型の計算モデルが促進されています。
このようなモデルは、完全にデータ駆動型の方法で、さまざまな状況にわたる複雑な薬物と細胞株の相互作用を捉えることができます。
しかし、各細胞株に対して最も感受性の高い薬剤に正確に優先順位を付けることは依然として大きな課題です。
これに対処するために、私たちは、さまざまな種類のがんの複数の細胞株にわたる大規模な薬物反応データを活用するニューラル ランキング アプローチを開発しました。
薬剤反応の予測に主に回帰および分類技術を利用する既存のアプローチとは異なり、我々は薬剤の選択と優先順位付けの目的を薬剤のランキング問題として定式化しました。
この研究では、薬物と細胞株の潜在表現を学習し、それらの表現を使用して学習可能なスコアリング関数を介して各細胞株の薬物をスコアリングする 2 つのニューラル リストごとのランキング手法を提案しました。
具体的には、既存のメソッドである ListNet に加えて、ニューラル リストごとのランキング手法である List-One を開発しました。
さらに、我々は、List-One とは異なり、最上位の敏感な薬物ではなく、すべての敏感な薬物に焦点を当てた、新しいリストごとのランキング方法である List-All を提案しました。
私たちの結果は、List-All が最良のベースラインを上回っており、50% のテスト細胞株全体で hit@20 が 8.6% もの大幅な改善を示していることを示しています。
さらに、我々の分析は、我々が提案した方法から学習された潜在空間が有益なクラスタリング構造を実証し、関連する基礎的な生物学的特徴を捕捉していることを示唆しています。
さらに、私たちの包括的な経験的評価により、さまざまな方法 (私たちが提案する方法を含む) のパフォーマンスを徹底的かつ客観的に比較できます。

要約(オリジナル)

Personalized cancer treatment requires a thorough understanding of complex interactions between drugs and cancer cell lines in varying genetic and molecular contexts. To address this, high-throughput screening has been used to generate large-scale drug response data, facilitating data-driven computational models. Such models can capture complex drug-cell line interactions across various contexts in a fully data-driven manner. However, accurately prioritizing the most sensitive drugs for each cell line still remains a significant challenge. To address this, we developed neural ranking approaches that leverage large-scale drug response data across multiple cell lines from diverse cancer types. Unlike existing approaches that primarily utilize regression and classification techniques for drug response prediction, we formulated the objective of drug selection and prioritization as a drug ranking problem. In this work, we proposed two neural listwise ranking methods that learn latent representations of drugs and cell lines, and then use those representations to score drugs in each cell line via a learnable scoring function. Specifically, we developed a neural listwise ranking method, List-One, on top of the existing method ListNet. Additionally, we proposed a novel listwise ranking method, List-All, that focuses on all the sensitive drugs instead of the top sensitive drug, unlike List-One. Our results demonstrate that List-All outperforms the best baseline with significant improvements of as much as 8.6% in hit@20 across 50% test cell lines. Furthermore, our analyses suggest that the learned latent spaces from our proposed methods demonstrate informative clustering structures and capture relevant underlying biological features. Moreover, our comprehensive empirical evaluation provides a thorough and objective comparison of the performance of different methods (including our proposed ones).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google