ProphDR: An Interpretable Deep Learning Model for Predicting Cancer Drug Response via Multi-Omics and Cross-Attention Mechanisms.
Résumé
ProphDR est un nouveau modèle d'apprentissage profond interprétable conçu pour prédire la réponse des cellules cancéreuses aux médicaments en intégrant des données multi-omiques et des informations structurelles sur les médicaments. Le modèle utilise des mécanismes d'attention hiérarchique, y compris un module d'intégration multi-omique au niveau génique (CGMI) et un module d'attention croisée (CA) pour modéliser les interactions médicament-gène. Évalué sur les ensembles de données GDSC et CCLE, ProphDR atteint des performances de pointe dans la prédiction des valeurs ln(IC50) et la classification de la sensibilité aux médicaments. Il démontre également une forte généralisabilité, même pour des médicaments ou des lignées cellulaires non vus, et génère des cartes d'attention biologiquement interprétables.
Analyse
🔴 CLINIQUE: Ce modèle représente une avancée significative pour l'oncologie de précision en offrant un outil prédictif interprétable. En identifiant des gènes clés liés à la résistance, comme ERBB2, ProphDR pourrait guider la priorisation de cibles thérapeutiques et le repositionnement de médicaments, notamment dans des cancers comme le NSCLC et le BRCA. Bien qu'il s'agisse d'un modèle computationnel, sa capacité à relier les caractéristiques génomiques aux résultats phénotypiques pourrait justifier des essais cliniques explorant des stratégies thérapeutiques basées sur ses prédictions, avec un impact clinique potentiel à 5 ans et plus. Il agit comme un biomarqueur prédictif de la réponse aux traitements. 🔵 BIOINFO: ProphDR est un modèle d'apprentissage profond novateur qui intègre des données multi-omiques et des informations structurelles de médicaments via des mécanismes d'attention hiérarchique et croisée, ce qui est une approche sophistiquée pour l'intégration de données hétérogènes. Le modèle se distingue par son interprétabilité, générant des cartes d'attention qui mettent en évidence des gènes et des pharmacophores pertinents, ce qui est crucial pour la confiance et l'adoption clinique. Ses performances de pointe (PCC = 0.938, RMSE = 0.978, AUC = 0.981) sur les vastes jeux de données GDSC et CCLE, ainsi que sa généralisabilité en scénarios de démarrage à froid, attestent de sa robustesse. En clinique, ProphDR pourrait être déployé pour affiner la sélection des traitements, prioriser les candidats médicaments pour les essais précliniques, ou aider les comités de décision thérapeutique (RCP) à identifier les mécanismes de résistance potentiels, modifiant ainsi les workflows de décision basés sur des données génomiques et médicamenteuses.