癌细胞系中药物反应预测的跨研究分析
定量方法
2021-08-17 v2
摘要
为实现个性化癌症治疗，已开发机器学习模型以预测作为肿瘤与药物特征函数的药物反应。然而，大多数算法开发工作依赖于单一研究内的交叉验证来评估模型准确性。尽管这是必不可少的第一步，生物数据集内的交叉验证通常对独立测试集上的预测性能给出过于乐观的估计。为对模型在不同研究间的泛化能力提供更严格的评估，我们使用机器学习分析了五个公开可用的基于细胞系的数据集：NCI60、CTRP、GDSC、CCLE 与 gCSI。基于跨研究观测到的实验变异性，我们探索了预测上界的估计。我们报告了多种机器学习模型的性能结果，其中多任务深度神经网络取得了最佳的跨研究泛化能力。通过多种度量，在 CTRP 上训练的模型对其余测试数据给出了最准确的预测，且 gCSI 是本研究纳入的细胞系数据集中最具可预测性的。通过这些实验及对部分数据的进一步模拟，得出两点启示：（1）活性测定方法的差异会限制模型跨研究的泛化能力；（2）在临床前筛选中，药物多样性比肿瘤多样性更能提升模型泛化能力。
引用
@article{arxiv.2104.08961,
title = {A cross-study analysis of drug response prediction in cancer cell lines},
author = {Fangfang Xia and Jonathan Allen and Prasanna Balaprakash and Thomas Brettin and Cristina Garcia-Cardona and Austin Clyde and Judith Cohn and James Doroshow and Xiaotian Duan and Veronika Dubinkina and Yvonne Evrard and Ya Ju Fan and Jason Gans and Stewart He and Pinyi Lu and Sergei Maslov and Alexander Partin and Maulik Shukla and Eric Stahlberg and Justin M. Wozniak and Hyunseung Yoo and George Zaki and Yitan Zhu and Rick Stevens},
journal= {arXiv preprint arXiv:2104.08961},
year = {2021}
}
备注
Accepted by Briefings in Bioinformatics