REP：预测药物敏感性的时间过程
机器学习
2019-07-30 v1 机器学习
摘要
药物作用机制所涉及的生物过程往往是动态的、复杂的且难以辨明。时间过程基因表达数据是一个丰富的信息源，可用于揭示这些复杂过程、识别药物敏感性生物标志物并预测对药物的响应。然而，先前的工作大多未充分利用这一时间维度。在这些研究中，基因表达数据要么在一个时间点（给药前）考虑，要么在两个时间点（给药前和给药后）考虑。这显然不足以建模动态的基因-药物相互作用，特别是对于诸如长期药物治疗等应用。在本文中，我们提出一种新颖的递归预测（REcursive Prediction, REP）框架，通过利用时间过程基因表达数据来进行药物响应预测。我们的目标是在长期治疗的每个阶段预测药物响应值，给定在先前时间点收集的基因表达水平。为此，REP 采用内置的递归结构，利用数据内在的时间过程性质，并整合药物响应的过去值以进行后续预测。它还结合了张量补全，不仅可以减轻噪声和缺失数据的影响，还可以预测未观测到的基因表达水平（GELs）。这些优势使得 REP 能够从治疗开始时测量的一些 GELs 估计给定治疗任何阶段的药物响应。我们包含了在对应于 53 名接受干扰素治疗的多发性硬化症患者数据集上的大量实验，以展示 REP 的有效性。
引用
@article{arxiv.1907.11911,
title = {REP: Predicting the Time-Course of Drug Sensitivity},
author = {Cheng Qian and Amin Emad and Nicholas D. Sidiropoulos},
journal= {arXiv preprint arXiv:1907.11911},
year = {2019}
}