基于网络的偏置树集成(NetBiTE)用于癌症药物敏感性预测与药物敏感性生物标志物识别
定量方法
2019-04-29 v2 机器学习
机器学习
摘要
我们提出基于网络的偏置树集成(NetBiTE)方法,结合先验知识与基因表达数据,用于癌症中的药物敏感性预测和药物敏感性生物标志物识别。我们设计的方法由依据概率偏置权重分布构建的偏置树集成组成。偏置权重分布通过对药物靶点赋予高权重并将所赋权重在蛋白质-蛋白质相互作用网络(如STRING)上传播而获得。权重的传播定义了药物靶点周围的影响邻域,从而模拟给药后细胞内扰动的扩散。使用合成数据集,我们展示了偏置树集成(BiTE)的应用如何以远低于无偏随机森林(RF)算法的计算成本获得显著的精度提升。随后我们将NetBiTE应用于癌症药物敏感性基因组学(GDSC)数据集,并证明NetBiTE在预测IC50药物敏感性方面优于RF,但仅适用于靶向膜受体通路(MRPs)的药物:RTK、EGFR和IGFR信号通路。基于NetBiTE结果,我们提出:对于抑制MRPs的药物,给药前靶基因的表达是给药后IC50药物敏感性的生物标志物。我们通过对非MRPs靶向的药物类别PI3K/MTOR信号通路抑制剂的控制研究,以及对MRP抑制药物指定虚拟靶点并考察NetBiTE精度变化,进一步验证并强化了该命题。
引用
@article{arxiv.1808.06603,
title = {Network-based Biased Tree Ensembles (NetBiTE) for Drug Sensitivity Prediction and Drug Sensitivity Biomarker Identification in Cancer},
author = {Ali Oskooei and Matteo Manica and Roland Mathis and Maria Rodriguez Martinez},
journal= {arXiv preprint arXiv:1808.06603},
year = {2019}
}
备注
36 pages, 5 figures, 3 supplementary figures