SystemMatch：通过生成式潜空间匹配优化临床前药物模型以贴近人类临床结局
机器学习
2022-06-01 v1 定量方法
摘要
在临床前模型（体外、动物模型或类器官）与其在人类中的相关性之间建立转化，是药物开发中的一项重要挑战。来自人类肿瘤与组织的单细胞基因组数据日益丰富，为依据其与疾病中靶向人类细胞类型的相似性来优化模型系统提供了新机遇。本工作中，我们引入SystemMatch以评估临床前模型系统对体内（in sapiens）目标人群的适配度，并推荐实验改动以进一步优化这些系统。我们通过开发体外系统以建模人类肿瘤来源的抑制性巨噬细胞这一应用来展示该方法。利用留出的体内对照，我们证明该流程能依据与目标人群的生物学相似性对巨噬细胞亚群排序，并将此分析应用于对一系列经多种细胞因子刺激的18个体外巨噬细胞系统排序。我们扩展该分析以预测使用扰动自编码器生成的66个计算机（in silico）模型系统的行为，并应用k-medoids方法推荐其中子集供进一步实验开发，从而充分探索可能扰动的空间。通过该用例，我们展示了一种模型系统开发的新方法，以生成更近似人类生物学的系统。
引用
@article{arxiv.2205.07110,
title = {SystemMatch: optimizing preclinical drug models to human clinical outcomes via generative latent-space matching},
author = {Scott Gigante and Varsha G. Raghavan and Amanda M. Robinson and Robert A. Barton and Adeeb H. Rahman and Drausin F. Wulsin and Jacques Banchereau and Noam Solomon and Luis F. Voloch and Fabian J. Theis},
journal= {arXiv preprint arXiv:2205.07110},
year = {2022}
}
备注
Published at the MLDD workshop, ICLR 2022