高通量癌症药物筛选中的剂量-响应建模：一种端到端方法
应用统计
2020-05-26 v2
摘要
基于患者肿瘤分子谱的个性化癌症治疗是肿瘤学中一类新兴且令人振奋的治疗方式。随着基因组肿瘤分析日益普及，针对特定分子改变的靶向治疗正获得关注。为发现可能适用于匹配某种分子模式的广泛肿瘤类别的新潜在疗法，实验学家与药理学家依赖于对多种化合物针对多种不同细胞系的高通量体外筛选。我们提出了一种关于这些实验中癌细胞系如何对药物响应的层次贝叶斯模型，并开发了将模型拟合到真实世界高通量筛选数据的方法。通过一个案例研究，该模型被证明能够捕捉分子特征与药物响应之间的非平凡关联，例如需要野生型 TP53 与 MDM2 过表达两者同时对 Nutlin-3(a) 敏感。在定量基准测试中，该模型优于生物学中的标准方法，在留出数据上的预测误差降低约 20%。当与条件随机化检验过程结合时，该模型发现了重现已知生物学并提示新研究途径的治疗响应生物标志物。论文所有代码公开于 https://github.com/tansey/deep-dose-response。
引用
@article{arxiv.1812.05691,
title = {Dose-response modeling in high-throughput cancer drug screenings: An end-to-end approach},
author = {Wesley Tansey and Kathy Li and Haoran Zhang and Scott W. Linderman and Raul Rabadan and David M. Blei and Chris H. Wiggins},
journal= {arXiv preprint arXiv:1812.05691},
year = {2020}
}
备注
Added biomarker discovery testing section, among other revisions