面向癌症药物联合预测的置换不变多输出高斯过程
定量方法
2024-07-02 v1 机器学习
应用统计
机器学习
摘要
剂量反应预测是癌症中机器学习的活跃应用领域。利用大型 \textit{体外} 药物敏感性屏幕数据，目标是开发准确的预测模型，用于指导实验设计或信息化治疗决策。基于先前在药物联合剂量反应预测中使用置换不变多输出高斯过程的工作，我们发展了这些模型的变分近似方法。变分近似使模型更具可扩展性，提供不确定性量化，并自然处理缺失数据。此外，我们提议使用深度生成模型对化学空间进行连续编码，以实现对新药物和新组合的预测。我们在简单场景下使用高通量数据集演示了模型性能，表明该模型能够高效地跨输出借助信息。
引用
@article{arxiv.2407.00175,
title = {Permutation invariant multi-output Gaussian Processes for drug combination prediction in cancer},
author = {Leiv Rønneberg and Vidhi Lalchand and Paul D. W. Kirk},
journal= {arXiv preprint arXiv:2407.00175},
year = {2024}
}