用于早期药物发现的贝叶斯最优告知者集
统计方法学
2023-06-26 v1
摘要
早期药物发现中一个重要的实验设计问题是，当对靶蛋白知之甚少时，如何对可用化合物进行优先测试排序。基于告知者排序（IBR）的方法在化合物已提供其他潜在相关靶标的生物活性数据时解决该优先排序问题。IBR 方法选择一个化合物告知者集，然后基于该告知者集在靶标上开展的新生物活性实验对剩余化合物排序。我们将该问题形式化为一个两阶段决策问题，并引入贝叶斯最优告知者集（BOISE）方法求解。BOISE 利用初始生物活性数据的灵活模型、相关损失函数和高效计算方案来解决两步设计问题。我们在两项回顾性研究中评估 BOISE 并与其他 IBR 策略比较，一项关于蛋白激酶抑制，另一项关于抗癌药物敏感性。在两种实证设定下 BOISE 均表现出优于现有方法的预测性能。它在缺失数据下也表现良好，而使用矩阵补全的方法预测性能更差。我们在 https://github.com/wiscstatman/esdd/BOISE 提供了 BOISE 的 R 语言实现。
引用
@article{arxiv.2011.06122,
title = {Bayes Optimal Informer Sets for Early-Stage Drug Discovery},
author = {Peng Yu and Spencer S. Ericksen and Anthony Gitter and Michael A. Newton},
journal= {arXiv preprint arXiv:2011.06122},
year = {2023}
}
备注
18 pages, 6 figures