癌症药物研究中剂量-反应关系的贝叶斯模型
机器学习
2021-03-23 v3 机器学习
统计方法学
摘要
探索性癌症药物研究对多种肿瘤细胞系与多种候选药物进行测试。在每个（细胞系，药物）配对实验中，目标是描绘出随着药物剂量水平增加该细胞系的剂量-反应曲线。我们提出贝叶斯张量滤波（BTF），一种用于多样本、多处理癌症药物研究中剂量-反应建模的层次贝叶斯模型。BTF 利用低维嵌入在相似药物与相似细胞系之间共享统计强度。BTF 中的结构化收缩先验鼓励剂量-反应曲线的平滑性，同时在数据需要时自适应于尖锐跳跃。我们聚焦于两项在其实验设计中表现出特定缺陷的癌症药物研究，这引导我们采用非共轭单调 Gamma 混合似然。为进行后验推断，我们发展了椭圆切片采样算法的一个变体，用于从具有非共轭似然的线性约束多元正态先验中采样。在基准测试中，BTF 优于协方差回归与动态泊松矩阵分解的当前最优方法。在这两项癌症药物研究中，BTF 优于生物学中的现行标准方法，并揭示了潜在的癌症药物敏感性新生物标志物。代码见 https://github.com/tansey/functionalmf。
引用
@article{arxiv.1906.04072,
title = {A Bayesian Model of Dose-Response for Cancer Drug Studies},
author = {Wesley Tansey and Christopher Tosh and David M. Blei},
journal= {arXiv preprint arXiv:1906.04072},
year = {2021}
}
备注
Extended to handle covariates; additional benchmarks comparing to related work