通过核化贝叶斯矩阵分解推断通路-响应关联以预测药物响应
机器学习
2016-12-28 v1 机器学习
定量方法
摘要
计算个性化医学的一个关键目标是系统性地利用样本的基因组及其他分子特征来预测先前未见样本的药物响应。此类预测对于为个体患者选择量身定制的疗法、提出假设具有重要价值。这在肿瘤学中尤为宝贵，因为细胞的分子和遗传异质性对响应有重大影响。然而，预测任务极具挑战性，亟需能够有效建模和预测药物响应的方法。在本研究中，我们提出了一种多任务矩阵分解的新公式，允许选择性数据集成以预测药物响应。为解决该建模任务，我们用逐分量多核学习扩展了 SOTA 的核化贝叶斯矩阵分解（KBMF）方法。此外，我们的方法以一种新颖且具生物学意义的方式利用已知通路信息来学习药物响应关联。我们的方法在两个公开可用的癌症数据集以及一个合成数据集上预测药物响应时，定量地优于 SOTA。此外，我们使用内部癌症细胞系面板通过实验室实验验证了模型预测。最后，我们通过利用先验知识推断通路-药物响应关联，展示了所提方法的实际适用性，为阐明药物作用机制开辟了机会。我们证明，所提模型可以为众所周知的 EGFR 和 MEK 抑制剂学习通路-响应关联。
引用
@article{arxiv.1606.03623,
title = {Drug response prediction by inferring pathway-response associations with Kernelized Bayesian Matrix Factorization},
author = {Muhammad Ammad-ud-din and Suleiman A. Khan and Disha Malani and Astrid Murumägi and Olli Kallioniemi and Tero Aittokallio and Samuel Kaski},
journal= {arXiv preprint arXiv:1606.03623},
year = {2016}
}
备注
Accepted in European Conference in Computational Biology, to be published in Bioinformatics 2016