Enhancing drug and cell line representations via contrastive learning for improved anti-cancer drug prioritization

要約

がんの複雑な性質と治療に対する反応の変化により、オミクス配列解析による精密腫瘍学が現在の標準治療となっています。
ただし、各患者に対して生成されるデータの量により、最適な治療計画を迅速に特定することが困難になります。
さらに、入手可能なデータが限られているため、効果的な薬剤と細胞株のペアに関連するパターンを学習する計算手法の能力が妨げられています。
この研究では、薬物の作用機序と細胞株のがんの種類に関連する関係構造を保存することにより、学習された薬物と細胞株の表現を改善するための対照学習の使用を提案します。
最先端の方法と比較してパフォーマンスの向上を達成することに加えて、学習した表現を使用する分類器は、予測を行う際に薬物および細胞株由来の特徴により多くのバランスを依存していることがわかりました。
これにより、薬剤耐性に関連するシグナルに基づいて、より個別化された薬剤の優先順位付けが容易になります。

要約(オリジナル)

Due to cancer’s complex nature and variable response to therapy, precision oncology informed by omics sequence analysis has become the current standard of care. However, the amount of data produced for each patients makes it difficult to quickly identify the best treatment regimen. Moreover, limited data availability has hindered computational methods’ abilities to learn patterns associated with effective drug-cell line pairs. In this work, we propose the use of contrastive learning to improve learned drug and cell line representations by preserving relationship structures associated with drug mechanism of action and cell line cancer types. In addition to achieving enhanced performance relative to a state-of-the-art method, we find that classifiers using our learned representations exhibit a more balances reliance on drug- and cell line-derived features when making predictions. This facilitates more personalized drug prioritizations that are informed by signals related to drug resistance.

arxiv情報

著者 Patrick J. Lawrence,Xia Ning
発行日 2023-10-27 16:30:51+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.LG, q-bio.QM パーマリンク