PLoS ONE: Machine Learning Forudsigelse af Cancer Cell Følsomhed over for lægemidler baseret på Genomic og kemiske egenskaber

Abstrakte

Forudsigelse svaret af en specifik kræft til en terapi er et vigtigt mål i moderne onkologi, der i sidste ende skal føre til en personlig behandling. High-throughput screeninger af potentielt aktive forbindelser mod et panel af genomisk heterogene cancer cellelinjer har afsløret flere relationer mellem genomiske ændringer og narkotika reaktioner. Der er foreslået forskellige beregningsmæssige metoder til at forudsige følsomhed baseret på genomiske funktioner, mens andre har brugt de kemiske egenskaber af narkotika at fastslå deres virkning. I et forsøg på at integrere disse komplementære metoder, vi udviklede machine learning modeller til at forudsige respons kræft cellelinjer til lægemiddelbehandling, kvantificeret gennem IC

50 værdier, baseret på både de genomiske funktioner i cellelinier og de kemiske egenskaber af de betragtede stoffer. Modeller forudsagde IC

50 værdier i en 8-fold krydsvalidering og et uafhængigt

blind

test med determinantkoefficient R

2 af 0,72 og 0,64 hhv. Desuden modeller kan forudsige med tilsvarende nøjagtighed (R

2 af 0,61) IC50’er af cellelinier fra et væv ikke brugt i uddannelsen scenen. Vores

i silico

modeller kan anvendes til at optimere det eksperimentelle design af narkotika-celle screeninger ved at estimere en stor del af forsvundne IC

50 værdier snarere end eksperimentelt måle dem. Konsekvenserne af vores resultater går ud over

virtuelle

drug screening design: potentielt tusindvis af narkotika kunne aftestede

i silico

systematisk teste deres potentielle effekt som anti-tumor midler baseret på deres struktur, således giver en beregningsmæssige ramme til at identificere nye lægemidler repositionering muligheder samt i sidste ende være nyttig for personlig medicin ved at forbinde de genomiske træk af patienter til narkotika følsomhed

Henvisning:. Menden MP, Iorio F, Garnett M, McDermott U, Benes CH, Ballester PJ, et al. (2013) Machine Learning Forudsigelse af Cancer Cell Følsomhed over for lægemidler baseret på Genomic og kemiske egenskaber. PLoS ONE 8 (4): e61318. doi: 10,1371 /journal.pone.0061318

Redaktør: Gajendra P. S. Raghava, CSIR-Institute of Microbial Technology, Indien

Modtaget: 26 oktober, 2012; Accepteret: 7 marts 2013; Udgivet: 30 april, 2013