Anticancer drug synergy prediction in understudied tissues using transfer learning
https://academic.oup.com/jamia/article/28/1/42/5920819
2021, Journal of the American Medical Informatics Association, 100 citation
llm 이전의 최신 방법론인 것 같은 transfer learning에 대해 공부하고자함.
목적: 약물 조합 스크리닝은 안전성 저하 없이 높은 효능을 가진 암 치료 옵션을 식별하는 데 이점이 있다. 주요 과제는 암 유형에 따라 축적된 in-vitro 약물 반응 관측치의 수가 크게 다르며, 일부 조직은 다른 조직에 비해 연구가 미진하다는 점이다. 따라서 본 연구에서는 데이터 희소성 문제를 극복하기 위한 방법으로 연구가 미진한 조직을 위한 약물 시너지 예측 모델을 개발하고자 한다.
데이터 및 방법: 우리는 암 세포주에 대한 유전적, 분자적, 표현형적 특징을 포괄적으로 수집하였다. 멀티모달 입력과 다중 출력을 통합하기 위해 멀티태스크 딥 뉴럴 네트워크 기반의 약물 시너지 예측 모델을 개발했다. 또한, 데이터가 풍부한 조직에서 데이터가 부족한 조직으로의 전이 학습(transfer learning)을 활용했다.
결과: 데이터가 풍부한 조직과 미진한 조직 모두에서 시너지 예측 정확도가 향상됨을 확인했다. 데이터가 풍부한 조직의 경우, 모델의 예측 정확도는 이진 분류 작업에서 0.9577 AUROC, 회귀 작업에서 174.3 MSE(평균 제곱 오차)를 기록했다. 또한, 적절한 전이 학습 전략이 연구가 미진한 조직에서의 정확도를 유의미하게 향상시킨다는 점을 관찰했다.
결론: 본 시너지 예측 모델은 연구가 미진한 조직의 시너지 약물 조합 순위를 매기는 데 사용될 수 있으며, 이를 통해 향후 in-vitro 실험의 우선순위를 정하는 데 도움을 줄 수 있다.
Code is available at https://github.com/yejinjkim/synergy-transfer.
