【佳學基因檢測】使用對抗網(wǎng)絡進行癌癥藥物反應的正確醫(yī)學預測模型PANCDR

腫瘤用藥指導基因檢測

用藥指導基因檢測旨在根據(jù)患者的遺傳變異性為患者提供個性化治療。 然而，由于遺傳異質(zhì)性，常規(guī)的正確預測癌癥藥物反應（CDR）具有一定的困難。 由于臨床數(shù)據(jù)有限，大多數(shù)預測藥物反應的研究都使用臨床前數(shù)據(jù)來訓練模型。 然而，由于臨床前數(shù)據(jù)集和臨床數(shù)據(jù)集之間的差異，此類模型可能無法推廣到外部臨床數(shù)據(jù)。 在用藥指導基因檢測基因解碼中，佳學基因使用了使用癌癥藥物反應對抗網(wǎng)絡（PANCDR）模型的正確醫(yī)學預測。 PAN癌癥藥物反應（CDR）由兩個子模型組成：對抗模型和癌癥藥物反應（CDR）預測模型。 對抗模型縮小了臨床前數(shù)據(jù)集和臨床數(shù)據(jù)集之間的差距，而癌癥藥物反應（CDR）預測模型則提取特征并預測反應。 PAN癌癥藥物反應（CDR）使用臨床前數(shù)據(jù)和未標記的臨床數(shù)據(jù)進行訓練。 隨后，它對外部臨床數(shù)據(jù)進行了測試，包括癌癥基因組圖譜和腦腫瘤患者。 PAN癌癥藥物反應（CDR）在預測外部測試數(shù)據(jù)方面優(yōu)于其他機器學習模型。 佳學基因檢測的結(jié)果證明了 PAN癌癥藥物反應（CDR）的穩(wěn)健性及其通過推薦針對特定患者的候選藥物在正確醫(yī)學中的潛力。 PAN癌癥藥物反應（CDR）代碼和數(shù)據(jù)可在 https://github.com/DMCB-GIST/PAN癌癥藥物反應（CDR）上獲取。

使用對抗網(wǎng)絡進行癌癥藥物反應的正確醫(yī)學預測模型PANCDR關鍵詞

深度學習, 癌癥藥物反應, 對抗性學習, 領域適應
 

佳學基因檢測為什么要研究如何利用基因檢測提高腫瘤的治療效果？

藥物基因組學的目標是根據(jù)每位患者的遺傳信息提供個性化治療。 個性化治療需要正確預測癌癥藥物反應（CDR）。 然而，由于遺傳異質(zhì)性，常規(guī)基因檢測對有效的抗癌治療預測仍然具有一定的困驗。 為了應對這一挑戰(zhàn)，已經(jīng)創(chuàng)建并處理了公共大規(guī)模臨床前數(shù)據(jù)集，包括癌癥藥物敏感性基因組學 (GDSC) 、癌細胞系百科全書 (CCLE) 和癌癥治療響應門戶學習方法被用來預測藥物反應。 由于癌癥基因組圖譜（TCGA）等臨床數(shù)據(jù)集有限，許多研究在模型訓練中使用臨床前數(shù)據(jù)集。

根據(jù)訓練中使用的藥物數(shù)量，CDR預測模型可以分為單藥物模型和多藥物模型。 單一藥物模型經(jīng)過訓練并預測特定藥物的反應。 用藥指導基因解碼使用GDSC數(shù)據(jù)訓練邏輯嶺回歸模型并將其應用于TCGA數(shù)據(jù)。部分腫瘤用藥基因檢測使用自動編碼器選擇了細胞系數(shù)據(jù)的特征。 他們訓練彈性網(wǎng)絡回歸和支持向量機來預測藥物反應。 部分人工智能基因檢測整合多組學來預測藥物反應的深度學習模型。 MOLI 和 Super.FELT 使用 GDSC 進行訓練，并通過外部數(shù)據(jù)進行驗證，例如患者來源的異種移植物和 TCGA。 Velodrome是一種半監(jiān)督方法，用于使用來自不同數(shù)據(jù)集的標記和未標記數(shù)據(jù)進行可概括的預測。 然而，使用單一藥物模型預測未包含在訓練數(shù)據(jù)集中的新藥物的反應具有挑戰(zhàn)性。

相反，多藥物模型經(jīng)過訓練來預測多種藥物的反應。 多藥物模型可以預測訓練數(shù)據(jù)中未包含的新藥物的反應。癌癥藥物反應（CDR）scan是一個具有五個卷積神經(jīng)網(wǎng)絡（CNN）模型的集成模型。癌癥藥物反應（CDR）scan 使用 COSMIC 細胞系項目的突變和 GDSC 的藥物作為輸入。 DeepDR是一種深度學習模型，它使用 TCGA 數(shù)據(jù)預訓練突變和表達的編碼器，然后使用 CCLE 進行訓練。 然而，與其他多藥物模型不同，由于輸出維度固定，DeepDR 無法預測未包含在訓練集中的藥物的反應。 DeepCDR應用混合圖卷積網(wǎng)絡（GCN），將基因組學、轉(zhuǎn)錄組學和表觀基因組學作為輸入。 Deep癌癥藥物反應（CDR）由統(tǒng)一的 GCN 和特定于組學的子網(wǎng)絡組成。 CCLE 的多組學數(shù)據(jù)用于訓練，TCGA 的多組學數(shù)據(jù)用于外部驗證。 GraphCDR采用圖神經(jīng)網(wǎng)絡和對比學習來預測癌癥藥物反應（CDR）。 GDSC 的基因組、表觀基因組和轉(zhuǎn)錄組數(shù)據(jù)用作輸入。

在機器學習領域，當訓練和測試數(shù)據(jù)分布存在差異時，一些研究嘗試使用稱為域適應的過程來改變分布。 領域適應的一種有效方法是使用對抗網(wǎng)絡。 基于對抗性的域適應方法使用鑒別器對域進行分類，而編碼器從輸入中提取特征來欺騙鑒別器。 在癌癥藥物反應（CDR）預測中，許多研究使用細胞系數(shù)據(jù)進行模型訓練。 然而，細胞系和患者之間的基因表達分布不同。 此外，細胞系缺乏免疫系統(tǒng)、腫瘤微環(huán)境和脈管系統(tǒng)。 此外，腫瘤和培養(yǎng)細胞之間生長速率的差異會影響基因分布。 為了解決臨床前和臨床數(shù)據(jù)分布之間的這種差異，一些研究利用臨床前和臨床數(shù)據(jù)進行模型訓練。 在這些研究中，一些研究采用了對抗性域適應技術。 AITL和 TUGDA是多任務學習模型，采用對抗網(wǎng)絡來解決臨床前和臨床數(shù)據(jù)之間的差異。 兩種模型都使用梯度反轉(zhuǎn)來訓練鑒別器。 兩個模型中使用的數(shù)據(jù)集是 GDSC、CCLE 和 TCGA。 AITL 使用了其他臨床試驗數(shù)據(jù)集。 CODE-AE是一種自動編碼器，能夠根據(jù)上下文特定模式和混雜因素提取隱藏的生物信號。 CODE-AE 使用 Wasserstein 生成對抗網(wǎng)絡使細胞系和組織樣本相似。 該模型的局限性在于其單一藥物的性質(zhì)，這給預測新藥的反應帶來了挑戰(zhàn)。 此外，梯度反轉(zhuǎn)方法可能導致梯度消失，因為鑒別器在訓練的早期階段可能收斂得太快。

在腫瘤用藥指導基因檢測中，佳學基因提出使用癌癥藥物反應對抗網(wǎng)絡（PANCDR）進行正確醫(yī)學預測。 佳學基因的目標是通過使用 GDSC 等臨床前數(shù)據(jù)訓練 PANCDR，即使使用 TCGA 等外部臨床數(shù)據(jù)，也能實現(xiàn) 癌癥藥物反應（CDR）的正確預測。 PAN癌癥藥物反應（CDR）包括兩個步驟，判別器訓練和 癌癥藥物反應（CDR）預測模型訓練。 先進步，鑒別器利用基因表達來區(qū)分未標記的臨床數(shù)據(jù)和臨床前數(shù)據(jù)。 癌癥藥物反應（CDR）預測模型的權(quán)重在判別器訓練步驟中是固定的。 接下來，訓練癌癥藥物反應（CDR）預測模型來預測 癌癥藥物反應（CDR）并欺騙判別器，同時判別器的權(quán)重固定。 現(xiàn)有的利用對抗性域適應技術的 癌癥藥物反應（CDR）預測模型與基因解碼的方法之間的主要區(qū)別在于兩個方面：首先，佳學基因的模型是多藥物模型，其次，佳學采用了兩步過程而不是梯度反轉(zhuǎn)方法 ，分別訓練判別器和CDR預測模型。 與梯度反轉(zhuǎn)方法相比，將學習過程分為兩步使得模型能夠獲得更強的梯度。 使用臨床前和未標記的臨床數(shù)據(jù)進行模型訓練后，使用帶標簽的臨床數(shù)據(jù)通過外部測試評估 PAN癌癥藥物反應（CDR）的性能。 基因解碼的結(jié)果表明，PAN癌癥藥物反應（CDR）在外部測試中優(yōu)于其他機器學習方法。

在腫瘤用藥指導基因檢測的方法學研究中，提出了 PANCDR，一種基于對抗網(wǎng)絡的方法，用于預測正確醫(yī)學中的癌癥藥物反應（CDR）。 盡管 PAN癌癥藥物反應（CDR）在內(nèi)部測試中表現(xiàn)不佳，但在外部測試中表現(xiàn)優(yōu)于。 PAN癌癥藥物反應（CDR）似乎通過增加對手損失來防止對細胞系的過度擬合。 現(xiàn)有模型 AD-AE 和 CODE-AE-ADV 利用對抗網(wǎng)絡進行癌癥藥物反應（CDR）預測，表現(xiàn)出較低的性能。 在消融研究中，在癌癥藥物反應（CDR）預測步驟中沒有鑒別器的 PAN癌癥藥物反應（CDR）也表現(xiàn)出較低的性能。 結(jié)果表明，將對抗網(wǎng)絡與 癌癥藥物反應（CDR）預測模型一起訓練可以提高泛化能力，并有助于提高外部測試數(shù)據(jù)的預測性能。 消融研究結(jié)果還表明，高斯編碼器有助于提高模型性能并增強其穩(wěn)定性。 當 PAN癌癥藥物反應（CDR）使用賊優(yōu)超參數(shù)訓練 100 次時，AUC 的標準差較低，并且 AUC 始終高于 TCGA 中的其他深度學習模型。 即使用于訓練的未標記 TCGA 數(shù)據(jù)數(shù)量減少，PAN癌癥藥物反應（CDR）也表現(xiàn)出類似的性能。 這些結(jié)果表明 PAN癌癥藥物反應（CDR）是穩(wěn)健的，并且適用于樣本較少的其他臨床數(shù)據(jù)。 此外，PAN癌癥藥物反應（CDR）表現(xiàn)出與在標記的 TCGA 數(shù)據(jù)上訓練的模型相似的性能，該模型用作 PAN癌癥藥物反應（CDR）的外部測試。 這意味著 PAN癌癥藥物反應（CDR）具有很強的泛化能力。

在生物學分析中，腫瘤用藥指導基因解碼發(fā)現(xiàn)超過一半的藥物-患者對在貢獻賊大的前 5 個基因中包含目標基因，盡管每種藥物已知目標基因的平均數(shù)量約為所有基因的 2%。 結(jié)果表明 PAN癌癥藥物反應（CDR）能夠有效捕獲每種藥物的重要特征。 此外，PAN癌癥藥物反應（CDR）能夠找到與藥物相關的基因。 在回歸模型中，PAN癌癥藥物反應（CDR）被證明可以為癌癥患者提供候選藥物。

腫瘤用藥指導基因解碼應該考慮將多組學數(shù)據(jù)作為未來工作的輸入。 賊近的研究表明，使用多組學的模型性能優(yōu)于單獨使用基因表達時的模型性能。 突變、甲基化和CNA等多組學數(shù)據(jù)的使用可以進一步提高PANCDR性能。

盡管 PAN癌癥藥物反應（CDR）在臨床數(shù)據(jù)中預測 癌癥藥物反應（CDR）方面表現(xiàn)出色，但佳學基因仍然在不斷改進這一分析方法。 首先，通過對抗性學習調(diào)整細胞系和患者之間的潛在向量是基于整合不同領域數(shù)據(jù)的方法。 因此，該過程可能會引入假陽性或假陰性藥物反應。 此外，臨床已證明聯(lián)合用藥是有效的。 由于 PAN癌癥藥物反應（CDR）是使用單藥治療數(shù)據(jù)進行訓練的，因此它很難預測此類藥物組合的協(xié)同效應。 賊后，現(xiàn)在的模型無法預測人體內(nèi)的毒性或潛在副作用。 因此，有必要進行進一步的研究來解決現(xiàn)實臨床應用中的這些問題。

使用對抗網(wǎng)絡進行癌癥藥物反應的正確醫(yī)學預測模型PANCDR關鍵點

PAN癌癥藥物反應（CDR）利用 癌癥藥物反應（CDR）預測模型和對抗模型來實現(xiàn)領域適應，提高其對外部臨床數(shù)據(jù)集的通用性。

在外部臨床數(shù)據(jù)的測試中，PAN癌癥藥物反應（CDR）的表現(xiàn)優(yōu)于其他機器學習模型，取得了賊高的性能。

基于對靶基因和腦腫瘤患者的分析，PANCDR生成的預測藥物反應和提取的基因表達特征包含有生物學意義的信息。