评估基于深度学习的单药治疗药物反应预测模型的可重用性
生物大分子
2024-09-20 v1 机器学习
摘要
癌症药物反应预测（DRP）模型作为精密医疗的有前景的 method，正在为针对个体患者轮廓进行治疗方案优化提供可能性。尽管深度学习（DL）方法在这一领域显示出巨大的潜力，但那些能够成功转化到临床实践并阐明治疗反应背后分子机制的模型，很可能将源自协作性研究工作的成果。由此凸显了需要可重用且可适应的模型，以便更广泛的科学社区对其进行改进和测试的需求。本研究提出了一种用于评估预测 DRP 模型可重用性的评分系统，并将其应用于 17 个同行评审的基于深度学习的 DRP 模型。作为 IMPROVE（Innovative Methodologies and New Data for Predictive Oncology Model Evaluation，即面向预测性肿瘤学模型评估的创新方法与新数据项目）的一部分，我们聚焦于软件环境、代码模块化和数据可用性及预处理三个关键类别分析这 17 个 DRP 模型。虽然这不是主要关注点，我们也尝试复现关键性能指标以验证模型行为和可适应性。我们对 17 个 DRP 模型的评估揭示了模型可重用性方面的优势与不足。为促进严谨的实践和开源共享，我们提供了发展和共享预测模型的建议。遵循这些建议可以在不对研究人员增加显著负担的情况下解决本研究中识别出的许多问题，提高模型的可重用性。这项工作提供了可重用性和可重复性全面评估的首次系统，为 DRP 及更广泛的人工智能驱动科学研究社区提供了关于当前模型共享实践的见解并推动标准化。
引用
@article{arxiv.2409.12215,
title = {Assessing Reusability of Deep Learning-Based Monotherapy Drug Response Prediction Models Trained with Omics Data},
author = {Jamie C. Overbeek and Alexander Partin and Thomas S. Brettin and Nicholas Chia and Oleksandr Narykov and Priyanka Vasanthakumari and Andreas Wilke and Yitan Zhu and Austin Clyde and Sara Jones and Rohan Gnanaolivu and Yuanhang Liu and Jun Jiang and Chen Wang and Carter Knutson and Andrew McNaughton and Neeraj Kumar and Gayara Demini Fernando and Souparno Ghosh and Cesar Sanchez-Villalobos and Ruibo Zhang and Ranadip Pal and M. Ryan Weil and Rick L. Stevens},
journal= {arXiv preprint arXiv:2409.12215},
year = {2024}
}
备注
12 pages, 2 figures