基于贝叶斯张量分解整合人类遗传学证据预测临床结局
机器学习
2022-07-27 v1 基因组学
应用统计
摘要
药物候选物的获批成功率极低，多数失败源于安全性与有效性。日益增多的关于靶点、药物分子和适应症的维度信息，为 ML 方法整合多模态数据并更好预测具临床前景的药物靶点提供了机遇。值得注意的是，带有人类遗传学证据的药物靶点被显示具有更高的成功几率。然而，近期一种基于张量分解的方法发现，关于靶点与适应症的额外信息未必能提升预测精度。在此我们重新审视该方法，整合从公开来源收集的各类人类遗传学证据以支持每个靶点-适应症对。我们使用贝叶斯张量分解表明，纳入所有可用人类遗传学证据(罕见病、基因负担、常见病)的模型较仅用单一遗传学证据的模型在预测临床结局上略有提升。我们进一步揭示了不同类型人类遗传学证据对预测临床结局成功率的相对预测能力。
引用
@article{arxiv.2207.12538,
title = {Bayesian tensor factorization for predicting clinical outcomes using integrated human genetics evidence},
author = {Onuralp Soylemez},
journal= {arXiv preprint arXiv:2207.12538},
year = {2022}
}
备注
ICML 2022, Workshop on Computational Biology