Integrating Single-Cell Foundation Models with Graph Neural Networks for Drug Response Prediction

要約

AI駆動型の薬物反応予測は、個別化されたがん治療を進めるための大きな可能性を秘めています。
ただし、癌の固有の異形成とデータ生成の高コストは、正確な予測を困難にします。
この研究では、事前に処理された基礎モデルSCGPTを組み込むことで、既存の薬物反応予測フレームワークのパフォーマンスを向上させることができるかどうかを調査します。
私たちのアプローチは、グラフ構造からの薬物表現とマルチオミクスプロファイルの細胞表現をコードするDeepCDRフレームワークに基づいています。
このフレームワークを、SCGPTを活用して濃縮された細胞表現を生成して、その前の知識を使用して、限られた量のデータを補正します。
ピアソン相関係数（PCC）のIC $ _ {50} $値と、元のDeepCDRフレームワークと以前のSCFoundationベースのアプローチと比較して、休暇1-drug out検証戦略を使用して、変更されたフレームワークを評価します。
SCGPTは、以前のアプローチよりも優れているだけでなく、トレーニングの安定性を高めることも示し、このドメインでSCGPT由来の知識を活用することの価値を強調しています。

要約(オリジナル)

AI-driven drug response prediction holds great promise for advancing personalized cancer treatment. However, the inherent heterogenity of cancer and high cost of data generation make accurate prediction challenging. In this study, we investigate whether incorporating the pretrained foundation model scGPT can enhance the performance of existing drug response prediction frameworks. Our approach builds on the DeepCDR framework, which encodes drug representations from graph structures and cell representations from multi-omics profiles. We adapt this framework by leveraging scGPT to generate enriched cell representations using its pretrained knowledge to compensate for limited amount of data. We evaluate our modified framework using IC$_{50}$ values on Pearson correlation coefficient (PCC) and a leave-one-drug out validation strategy, comparing it against the original DeepCDR framework and a prior scFoundation-based approach. scGPT not only outperforms previous approaches but also exhibits greater training stability, highlighting the value of leveraging scGPT-derived knowledge in this domain.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google