用于编码癌症特征与预测药物反应的变分与可解释神经网络
定量方法
2024-07-08 v1 人工智能
摘要
人类癌症构成了重大的公共健康挑战，需要通过转化研究来发现新药。描述肿瘤和癌细胞系中分子活动的转录组学分析数据被广泛用于预测抗癌药物反应。然而，现有的 AI 模型由于转录组学数据中的噪声和缺乏生物学可解释性而面临挑战。为了克服这些局限性，我们引入了 VETE（Variational and Explanatory Transcriptomics Encoder，变分与可解释转录组学编码器），这是一个新颖的神经网络框架，它结合了变分组件以减轻噪声影响，并将可追溯的基因本体整合到神经网络架构中，用于编码癌症转录组学数据。关键创新包括用于识别本体路径的局部可解释性引导方法、用于阐明药物反应生物学机制的可视化工具，以及集中式大规模超参数优化的应用。VETE 在癌细胞系分类和药物反应预测中表现出鲁棒的准确性。此外，它为这两项任务提供了可追溯的生物学解释，并为其预测背后的机制提供了见解。VETE 弥合了癌症研究中 AI 驱动的预测与具有生物学意义的见解之间的差距，代表了该领域的一项有前景的进展。
引用
@article{arxiv.2407.04486,
title = {Variational and Explanatory Neural Networks for Encoding Cancer Profiles and Predicting Drug Responses},
author = {Tianshu Feng and Rohan Gnanaolivu and Abolfazl Safikhani and Yuanhang Liu and Jun Jiang and Nicholas Chia and Alexander Partin and Priyanka Vasanthakumari and Yitan Zhu and Chen Wang},
journal= {arXiv preprint arXiv:2407.04486},
year = {2024}
}