基于集成学习与药物诱导基因表达特征的药物反应预测

癌细胞对给定化合物的化疗反应是设计抗癌药物所需的最基本信息之一。近期针对癌细胞系的大规模药物筛选的进展，为将机器学习方法应用于此目的提供了机会。除细胞毒性数据库外，大量的药物诱导基因表达数据也已公开可用。此后，人们提出了几种利用组学数据来预测药物在癌细胞上活性的方法。然而，由于癌症药物机制的复杂性，现有方法均非完美。因此，一个可能的方向是结合方法与数据库各自的优势以提升性能。我们证明，通过所提方法集成大量预测可改善该任务的性能。集成中的预测器在多个方面存在差异，如方法本身、方法考虑的任务数量（多任务 vs. 单任务）以及所考虑的数据子集（子采样）。我们表明所有这些不同方面均有助于最终集成的成功。此外，我们尝试将药物筛选数据与来自癌细胞系药物诱导基因表达谱的两个新特征联合使用。最后，除在数据集上测试外，我们还通过体外实验评估了方法预测。方法、特征及软件可从 \url{http://mtan.etu.edu.tr/drug-response-prediction/} 获取。