一种带GMM先验的生成式推荐系统用于癌症药物生成与敏感性预测
机器学习
2022-06-09 v1 人工智能
其他定量生物学
摘要
近期高通量药物筛选技术的出现激发了机器学习方法的密集发展，包括用于预测癌细胞系对抗癌药物敏感性的模型，以及用于生成潜在候选药物的方法。然而，生成具有特定性质的化合物并同时建模其对抗癌细胞系功效的概念尚未被全面探索。为满足此需求，我们提出VADEERS，一种基于变分自编码器的药物功效估计推荐系统。化合物的生成由一种新颖的带半监督高斯混合模型(GMM)先验的变分自编码器完成。该先验在潜空间中定义聚类，其中各簇与特定药物性质相关联。此外，VADEERS配备有一个细胞系自编码器和一个敏感性预测网络。该模型结合了抗癌药物的SMILES字符串表示、其对一组蛋白激酶的抑制谱、细胞系生物学特征以及细胞系对药物敏感性的测量数据。所评估的VADEERS变体在真实与预测药物敏感性估计之间达到了r=0.87的高皮尔逊相关性。我们以这样的方式训练GMM先验：使潜空间中的簇对应于按抑制谱预先计算的药物聚类。我们表明，学习到的潜表示和新生成的数据点准确反映了给定聚类。总之，VADEERS提供了药物与细胞系性质及其相互关系的综合模型，以及新化合物的引导生成。
引用
@article{arxiv.2206.03555,
title = {A generative recommender system with GMM prior for cancer drug generation and sensitivity prediction},
author = {Krzysztof Koras and Marcin Możejko and Paulina Szymczak and Eike Staub and Ewa Szczurek},
journal= {arXiv preprint arXiv:2206.03555},
year = {2022}
}