Drug sensitivity prediction across cancer types using graph isomorphism networks and biological pathway features: A dual-branch deep learning approach.
Résumé
Cette étude propose une approche innovante de deep learning à double branche pour prédire la sensibilité aux médicaments (IC50) à travers différents types de cancers. Le modèle combine des réseaux d'isomorphisme de graphes (GIN) pour représenter la structure chimique des médicaments et un perceptron multicouche (MLP) pour intégrer les activités des voies biologiques ssGSEA dérivées de l'expression génique. Entraîné sur le jeu de données GDSC2, ce modèle atteint des performances supérieures aux méthodes existantes, avec un R2 de 0,8553 et un coefficient de corrélation de Pearson de 0,9249. L'intégration des caractéristiques des voies biologiques s'est avérée cruciale pour l'amélioration de la précision.
Analyse
CLINIQUE: Cette recherche, bien que computationnelle, a un impact translationnel significatif en améliorant la prédiction de la sensibilité aux médicaments. Une meilleure prédiction de l'IC50 pourrait potentiellement guider les décisions thérapeutiques en médecine de précision, permettant de sélectionner des traitements plus efficaces pour les patients atteints de cancer. En réduisant les coûts et le temps associés aux criblages pharmacogénomiques expérimentaux, cette approche pourrait accélérer la découverte de médicaments et l'identification de biomarqueurs prédictifs. Le temps d'impact clinique pourrait être de 3 à 5 ans, après validation expérimentale et intégration dans des essais cliniques. BIOINFO: Le modèle GIN+Pathway MLP représente une avancée dans la prédiction de la sensibilité aux médicaments en intégrant de manière novatrice la structure 3D des médicaments via GIN et le contexte biologique des lignées cellulaires via les activités des voies ssGSEA. L'approche est validée sur le vaste jeu de données GDSC2, démontrant une performance robuste avec un R2 de 0,8553 et un PCC de 0,9249, surpassant des modèles de référence comme GraphDRP et DeepCDR. L'étude de l'ablation des variants confirme l'importance des caractéristiques biologiques, soulignant que l'intégration des voies améliore le R2 de plus de 0,15. Ce modèle pourrait être déployé cliniquement pour prioriser les combinaisons médicament-patient pour les comités de décision thérapeutique (MTB) ou pour la conception d'essais cliniques, en identifiant des candidats médicaments prometteurs basés sur le profil moléculaire des tumeurs.