Explainable drug sensitivity prediction
through cancer pathway enrichment
https://www.nature.com/articles/s41598-021-82612-7
2021, scientific reports, 83 citation
약물 민감도 예측을 위한 계산적 접근법은 정밀 항암 치료(precision anticancer therapeutics)를 촉진할 수 있다. 일반화 가능하며 설명 가능한 모델은 맞춤형 치료를 위한 임상 적용(translation)에 있어 매우 중요하지만, 흔히 예측 성능만을 우선시하느라 간과되곤 한다. 본 연구에서는 GDSC(Genomics of Drug Sensitivity in Cancer) 데이터셋 상의 약물 반응을 예측하기 위해 PathDSP를 제안한다. PathDSP는 화학 구조 정보와 더불어 약물 관련 유전자, 유전자 발현, 변이 및 복제수 변이(CNV) 데이터를 아우르는 암 신호 전달 경로(pathway) 농축 정보를 통합한 경로 기반 모델입니다.
심층 신경망(DNN)을 활용하여 기존의 최첨단(SOTA) 딥러닝 모델들보다 우수한 성능을 보였으며, 별도의 CCLE(Cancer Cell Line Encyclopedia) 데이터셋에서도 우수한 일반화 성능을 입증하였습니다. 아울러 기존의 지식과 부합하는 사례 연구를 통해 설명 가능한 결과를 제공함을 확인했습니다. 또한, 본 경로 기반 모델은 학습 과정에서 접하지 못한(unseen) 약물과 세포를 예측할 때도 좋은 성능을 거두었으며, 이는 신약 개발 및 개인 맞춤형 의학 가이드를 위한 잠재적 유용성을 시사합니다.
