超级会员免费看
基于注意力机制的孪生网络预测细胞系特异性协同药物组合
1. 引言
药物联合治疗在治疗复杂人类疾病，尤其是癌症方面具有巨大潜力，它能显著提高治疗效果并降低药物毒性。然而，从大量潜在药物组合中高效识别出协同药物组合是一项具有挑战性的任务。传统的实验方法如湿实验室检测虽然可靠，但成本高且耗时。相比之下，计算机辅助药物开发可以初步筛选药物组合，有效缩小协同药物组合的搜索范围，降低成本并提高效率。
近年来，高通量筛选技术的进步缓解了药物协同建模中数据集稀缺的问题，出现了许多大规模的药物数据集和癌症细胞系数据，加速了预测算法的发展。同时，计算机硬件的进步为算法应用提供了支持，深度学习算法凭借其复杂的模型结构和处理大规模数据的能力，超越了传统机器学习方法。此外，图神经网络在生物制药领域也受到了广泛关注，它能够有效分析药物分子结构，提取有意义的特征。
尽管已有许多研究取得了一定的进展，但现有模型仍存在局限性。例如，在聚合药物分子特征时，许多模型未能充分挖掘可用的分子特征信息，影响了药物特征的整体有效性；在药物对和癌细胞特征融合方面，大多数模型只是简单地拼接特征，未能充分捕捉特征之间的复杂相互作用和依赖关系。因此，提出了一种名为 SNAADC（Siamese Network with Attention Mechanism for Anticancer Drug Combinations Prediction）的新型模型。
2. 材料与方法
2.1 材料
使用 O’Neil 等人发布的大规模癌症筛查数据集来评估 SNAADC 的性能。为了使模型更好地学习和预测协同作用，有效捕捉具有强协同效应或明显拮抗效应的药物组合，选择 Loew
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
