基于深度学习的癌症药物敏感性预测中特征化方法的系统性研究
机器学习
2020-05-05 v2 基因组学
定量方法
摘要
通过结合多个癌细胞系（CCL）药物筛选面板，数据规模显著增长，开始理解深度学习的进展如何推进药物反应预测。在本文中，我们训练了超过 35000 个神经网络模型，对常见的特征化技术进行扫描。我们发现 RNA-seq 具有高度冗余性和信息量，即使子集大于 128 个特征也是如此。我们发现包含编码为计数矩阵的单核苷酸多态性（SNP）显著提高了模型性能，并且常见开源 MOrdred 描述符与 Dragon7 描述符在分子特征化方面模型性能无显著差异。除该分析外，我们概述了 CCL 筛选数据集之间的数据集成，并提出需要开发新指标、不平衡数据技术以及数据标准化方面的进展的证据。
引用
@article{arxiv.2005.00095,
title = {A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning},
author = {Austin Clyde and Tom Brettin and Alexander Partin and Maulik Shaulik and Hyunseung Yoo and Yvonne Evrard and Yitan Zhu and Fangfang Xia and Rick Stevens},
journal= {arXiv preprint arXiv:2005.00095},
year = {2020}
}