基于神经排序的精准抗癌药物选择

个性化癌症治疗需要深入理解药物与癌细胞系在不同遗传与分子背景下复杂的相互作用。为此,高通量筛选已被用于生成大规模药物响应数据,促进数据驱动的计算模型。此类模型能以完全数据驱动的方式捕捉不同背景下的复杂药物-细胞系相互作用。然而,为每个细胞系准确优先排序最敏感药物仍是一项重大挑战。为此,我们开发了神经排序方法,利用来自多种癌症类型多个细胞系的大规模药物响应数据。与现有主要利用回归与分类技术进行药物响应预测的方法不同,我们将药物选择与优先排序的目标表述为药物排序问题。本工作中,我们提出两种神经列表式排序方法,学习药物与细胞系的潜在表示,随后通过可学习评分函数利用这些表示在每个细胞系中对药物评分。具体而言,我们在现有方法 ListNet 基础上开发了神经列表式排序方法 List-One。此外,我们提出一种新颖的列表式排序方法 List-All,与 List-One 不同,其关注所有敏感药物而非最敏感药物。我们的结果表明,List-All 在 50% 测试细胞系上以 hit@20 指标最高提升 8.6% 优于最佳基线。此外,我们的分析表明,所提方法学习到的潜在空间展现出信息性聚类结构并捕捉相关潜在生物学特征。而且,我们全面的实证评估对不同方法(包括我们所提方法)的性能提供了透彻且客观的对比。