CN113362895A - 一种预测抗癌药物反应相关基因的综合分析方法 - Google Patents
一种预测抗癌药物反应相关基因的综合分析方法 Download PDFInfo
- Publication number
- CN113362895A CN113362895A CN202110663077.7A CN202110663077A CN113362895A CN 113362895 A CN113362895 A CN 113362895A CN 202110663077 A CN202110663077 A CN 202110663077A CN 113362895 A CN113362895 A CN 113362895A
- Authority
- CN
- China
- Prior art keywords
- drug
- genes
- cell line
- cancer
- sensitivity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 108090000623 proteins and genes Proteins 0.000 title claims abstract description 51
- 230000004044 response Effects 0.000 title claims abstract description 32
- 238000004458 analytical method Methods 0.000 title claims abstract description 22
- 239000002246 antineoplastic agent Substances 0.000 title claims abstract description 14
- 229940041181 antineoplastic drug Drugs 0.000 title claims abstract description 14
- 229940079593 drug Drugs 0.000 claims abstract description 96
- 239000003814 drug Substances 0.000 claims abstract description 96
- 230000035945 sensitivity Effects 0.000 claims abstract description 42
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 37
- 201000011510 cancer Diseases 0.000 claims abstract description 36
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000014509 gene expression Effects 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 10
- 238000000338 in vitro Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 7
- 230000037361 pathway Effects 0.000 claims description 7
- 238000010201 enrichment analysis Methods 0.000 claims description 5
- 231100000225 lethality Toxicity 0.000 claims description 3
- 238000013450 outlier detection Methods 0.000 claims description 3
- 238000012352 Spearman correlation analysis Methods 0.000 claims 1
- 206010059866 Drug resistance Diseases 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000010354 integration Effects 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000012827 research and development Methods 0.000 abstract description 2
- 150000001875 compounds Chemical class 0.000 description 7
- 238000003556 assay Methods 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 206010006187 Breast cancer Diseases 0.000 description 3
- 208000026310 Breast neoplasm Diseases 0.000 description 3
- 206010069754 Acquired gene mutation Diseases 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013077 scoring method Methods 0.000 description 2
- 230000037439 somatic mutation Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000013518 transcription Methods 0.000 description 2
- 230000035897 transcription Effects 0.000 description 2
- 230000033077 cellular process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008261 resistance mechanism Effects 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004797 therapeutic response Effects 0.000 description 1
- 230000002103 transcriptional effect Effects 0.000 description 1
- 238000012085 transcriptional profiling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B25/00—ICT specially adapted for hybridisation; ICT specially adapted for gene or protein expression
- G16B25/10—Gene or protein expression profiling; Expression-ratio estimation or normalisation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
Landscapes
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Bioethics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明涉及药物研发技术领域，且公开了一种预测抗癌药物反应相关基因的综合分析方法，包括以下步骤：1)药物敏感性预测和特征基因识别；2)基于协同过滤方法的药物敏感性预测；3)识别特定癌症类型的药物敏感性相关基因。该方法建立了完整的计算管线，以鉴定与不同癌症类型的药物敏感性和耐药性相关的特征基因，用基于协作过滤的算法预测癌细胞系中的不同药物敏感性，而组稀疏模型被用于选择特定癌症类型的药物敏感性的特征基因，多个药物细胞系数据的同时整合以及可用于进一步重大基因鉴定的可扩展性，同时协同过滤算法的优点是可以同时对多种药物之间的异质药物细胞系敏感性进行建模。
Description
技术领域
本发明涉及药物研发技术领域，具体为一种预测抗癌药物反应相关基因的综合分析方法。
背景技术
目前正在研究大量化合物作为抗癌药物的潜在用途，尽管其中一些化合物已成功用于治疗特定的患者亚组，但大量化合物的表征较差，使化合物与最有可能从中受益的患者子集相匹配仍然是一个巨大的挑战，达到这一目标的理想数据应包括对一大批患者进行系统表征的药物反应和敏感性，但是，对于大多数测试的化合物，体外细胞系系统提供了唯一可用于识别预测性反应特征的实验数据，而且大多数化合物尚未在临床试验中进行过测试，比较表明，细胞系反映了肿瘤分子病理生物学的许多方面，它们的遗传特征和治疗响应非常适合开发预测算法，以确定最有效果的药物，出于这些原因，一些研究人员已经作出努力来表征基因组谱和药物反应之间的关系，以及提出的细胞系对药物的反应的预测算法。
NCI-60已经测量了60种基因组学表征的细胞系对数千种化合物的反应，最近，《癌细胞系百科全书》(CCLE)对近1000种癌细胞系的基因组和药物反应数据进行了分类，美国国立卫生研究院还启动了LINCS项目，该项目旨在通过对基因表达的变化和其他细胞过程(当细胞暴露于各种干扰剂时变化)进行分类来建立对生物学的基于网络的理解，正如最近的标志性研究所建议的那样，筛选非常大的细胞系集合有望概括已知的标记并鉴定出药物反应和耐药性的新的基因组决定因素，通过整合这些有价值的数据源来构建全面的数据集，不仅可以为药物敏感性分析提供新的思路，而且还可以为发现耐药性机制提供空前的支持，然而，仍然缺乏使用全面的体外细胞系系统来系统筛选此类标记，故提出一种预测抗癌药物反应相关基因的综合分析方法以解决上述问题。
发明内容
针对现有技术的不足，本发明提供了一种预测抗癌药物反应相关基因的综合分析方法，具备利用全面的体外细胞系系统来系统筛选此类标记的优点，解决了筛选非常大的细胞系集合有望概括已知的标记并鉴定出药物反应和耐药性的新的基因组决定因素，通过整合这些有价值的数据源来构建全面的数据集，不仅可以为药物敏感性分析提供新的思路，而且还可以为发现耐药性机制提供空前的支持，然而，仍然缺乏使用全面的体外细胞系系统来系统筛选此类标记的问题。
为实现上述利用全面的体外细胞系系统来系统筛选此类标记的目的，本发明提供如下技术方案：一种预测抗癌药物反应相关基因的综合分析方法，包括以下步骤：
1)研究的IC50测量值(IC50代表体外抑制50％所需的药物浓度)均设置为pIC50＝-log 10(IC50M)，删除了丢失IC50数据大于40％的药物；
2)药物敏感性预测和特征基因识别：使用基于协作过滤的算法预测癌细胞系中的不同药物敏感性，而组稀疏模型被用于选择特定癌症类型的药物敏感性的特征基因；
3)进一步使用途径富集分析，合成杀伤力分析对鉴定出的特征基因进行全面分析，并使用TCGA临床患者数据验证这些特征基因，通过将CNV信息与异常值检测，细胞系活性离散化和Spearman相关分析相结合，筛选可能与特定药物对特定癌细胞类型的主要耐药性相关的特征基因(基因在药物活性和基因表达的Spearman相关值与药物活性和CNV的Spearman相关值之间应显示相同的趋势)；
4)基于协同过滤方法的药物敏感性预测：提供如下数据矩阵：
(i)与-log(IC50nM)的N种药物对Y个细胞系的信息，表示为药物敏感性矩阵
(ii)以细胞系特征的余弦相似度测量的细胞系相似度矩阵
(iii)使用Tanimoto系数测量的药物的相似性矩阵
通过基于矩阵分解的方法计算癌细胞中药物敏感性的预测值；
5)识别特定癌症类型的药物敏感性相关基因：利用组稀疏模型无缝地集成到基于协作过滤的细胞系响应预测模型中进行识别，组稀疏模型。
进一步的，所述途径富集分析在分析时p小于0.05，所述Spearman相关分析在分析时大于0.7。
进一步的，所述余弦相似度为细胞系的基因表达谱，所述使用Tanimoto系数测量的药物的相似性采用PubChem上881位的二进制指纹。
与现有技术相比，本发明提供了一种预测抗癌药物反应相关基因的综合分析方法，具备以下有益效果：
该预测抗癌药物反应相关基因的综合分析方法，建立了完整的计算管线，以鉴定与不同癌症类型的药物敏感性和耐药性相关的特征基因，用基于协作过滤的算法预测癌细胞系中的不同药物敏感性，而组稀疏模型被用于选择特定癌症类型的药物敏感性的特征基因，设计此类管道的特殊原因包括其高度准确的预测率，多个药物细胞系数据的同时整合以及可用于进一步重大基因鉴定的可扩展性，同时协同过滤算法的优点是可以同时对多种药物之间的异质药物细胞系敏感性进行建模，并且，在机器学习领域，组稀疏模型具有非常强大的识别能力，该方法可以无缝地集成到基于协作过滤的细胞系响应预测模型中，并且可以用于跨多个药物PubChem样品的特征选择，整个方法结果对NCI-DREAM乳腺癌细胞系药物敏感性进行预测，评估了来自44种不同算法的预测结果，结果表明均优于其他算法，评估方法使用的是一致性指数(wpc-index)，一种非参数评分方法，可提供两个测量值或等级列表之间的相似性测量值，而目前性能最优的算法wpc指数为0.583，而本方法一致性指数为0.593，以上结果证实本方法的模型在预测癌细胞系中的药物敏感性方面非常有前途。
附图说明
图1为本发明提出的一种预测抗癌药物反应相关基因的综合分析方法的流程示意图。
具体实施方式
下面将结合本发明的实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明中的预测抗癌药物反应相关基因的综合分析方法包括以下步骤：
1)研究的IC50测量值(IC50代表体外抑制50％所需的药物浓度)均设置为pIC50＝-log 10(IC50M)，删除了丢失IC50数据大于40％的药物；
2)药物敏感性预测和特征基因识别：使用基于协作过滤的算法预测癌细胞系中的不同药物敏感性，而组稀疏模型被用于选择特定癌症类型的药物敏感性的特征基因；
3)进一步使用途径富集分析，合成杀伤力分析对鉴定出的特征基因进行全面分析，并使用TCGA临床患者数据验证这些特征基因，通过将CNV信息与异常值检测，细胞系活性离散化和Spearman相关分析相结合，筛选可能与特定药物对特定癌细胞类型的主要耐药性相关的特征基因(基因在药物活性和基因表达的Spearman相关值与药物活性和CNV的Spearman相关值之间应显示相同的趋势)；
4)基于协同过滤方法的药物敏感性预测：提供如下数据矩阵：
(i)与-log(IC50nM)的N种药物对Y个细胞系的信息，表示为药物敏感性矩阵
(ii)以细胞系特征的余弦相似度测量的细胞系相似度矩阵
(iii)使用Tanimoto系数测量的药物的相似性矩阵
通过基于矩阵分解的方法计算癌细胞中药物敏感性的预测值；
5)识别特定癌症类型的药物敏感性相关基因：利用组稀疏模型无缝地集成到基于协作过滤的细胞系响应预测模型中进行识别，组稀疏模型。
矩阵同样可以拆解为两个：
and
是数据库指纹的长度，
表示基因在表达谱的量，l是特定癌症类型的细胞系数量，整个基因组中药物结构或基因的特征选择任务可以视为l1/lq范数正则化多类最小二乘问题，结果矩阵中元素为零表明相应的特征并不重要且未被选择。
需要说明的是，前期的数据采集收集了癌细胞系百科全书(CCLE)网站上来自Affymetrix U133 Plus 2.0阵列的基因表达数据、来自Affymetrix SNP6.0阵列的CNV数据以及Oncomap突变数据，从CCLE网站检索并策划药物信息和药物反应措施(IC50)以及其他两项大型药物基因组学研究，包括癌症基因组计划(CGP)和NCI-DREAM项目，癌症基因组计划(CGP)为癌症中药物敏感性的基因组学(GDSC)。
其中，途径富集分析在分析时p小于0.05，Spearman相关分析在分析时大于0.7。
同时，余弦相似度为细胞系的基因表达谱，使用Tanimoto系数测量的药物的相似性采用PubChem上881位的二进制指纹。
我们收集和整理来自各种细胞系数据源的全面的药物-细胞系反应数据，然后基于此集成数据集，设计一种新颖而有效的管线以确定可能与药物反应特别是对不同癌症类型的原发性耐药有关的特征基因，然后通过整合具有基因组特征的转录谱分析，特别是基于体外细胞系的拷贝数变异，实现了这一目标药物反应，其次，我们利用一个基于协作过滤的新型药物敏感性预测模型，并在NCI-DREAM项目上使用模型对其乳腺癌细胞系的药物敏感性进行预测，在排除了具有不同拷贝数变异(CNV)或突变谱的癌细胞系后，对与耐药性相关的已鉴定特征基因进行了全面分析，最后临床患者数据验证了这些特征基因，并揭示了它们在体内的意义。
应该注意的是，我们专注于两种细胞系谱的整合，即转录谱(基因表达)和CNV谱，基于另外两项高影响力的药物反应分析的结果，转录谱具有最丰富的细胞系表征信息，此外，多项研究已经表明拷贝数变异和改变与转录谱表达水平变化可相关联，尽管如此，我们发现仍然缺乏对药物干扰与基因组变异特征相结合的系统研究，因此，我们进一步将基因表达谱与CNV信息相结合，以改善与药物反应相关的潜在基因的鉴定，排除的体细胞突变谱，这主要是由于这样的事实：(1)体细胞突变对药物的敏感性的影响是很好理解的；(2)现有细胞系的突变信息非常稀疏，因此不适合在现阶段进行全面研究；(3)我们已经使用突变信息作为细胞系描述的基线，因此可以比较相同突变背景的细胞系转录谱和CNV谱。
本发明的有益效果是：建立了完整的计算管线，以鉴定与不同癌症类型的药物敏感性和耐药性相关的特征基因，用基于协作过滤的算法预测癌细胞系中的不同药物敏感性，而组稀疏模型被用于选择特定癌症类型的药物敏感性的特征基因，设计此类管道的特殊原因包括其高度准确的预测率，多个药物细胞系数据的同时整合以及可用于进一步重大基因鉴定的可扩展性，同时协同过滤算法的优点是可以同时对多种药物之间的异质药物细胞系敏感性进行建模，并且，在机器学习领域，组稀疏模型具有非常强大的识别能力，该方法可以无缝地集成到基于协作过滤的细胞系响应预测模型中，并且可以用于跨多个药物PubChem样品的特征选择，整个方法结果对NCI-DREAM乳腺癌细胞系药物敏感性进行预测，评估了来自44种不同算法的预测结果，结果表明均优于其他算法，评估方法使用的是一致性指数(wpc-index)，一种非参数评分方法，可提供两个测量值或等级列表之间的相似性测量值，而目前性能最优的算法wpc指数为0.583，而本方法一致性指数为0.593，以上结果证实本方法的模型在预测癌细胞系中的药物敏感性方面非常有前途。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (3)
1.一种预测抗癌药物反应相关基因的综合分析方法，其特征在于，包括以下步骤：
1)研究的IC50测量值(IC50代表体外抑制50％所需的药物浓度)均设置为pIC50＝-log10(IC50M)，删除了丢失IC50数据大于40％的药物；
2)药物敏感性预测和特征基因识别：使用基于协作过滤的算法预测癌细胞系中的不同药物敏感性，而组稀疏模型被用于选择特定癌症类型的药物敏感性的特征基因；
3)进一步使用途径富集分析，合成杀伤力分析对鉴定出的特征基因进行全面分析，并使用TCGA临床患者数据验证这些特征基因，通过将CNV信息与异常值检测，细胞系活性离散化和Spearman相关分析相结合，筛选可能与特定药物对特定癌细胞类型的主要耐药性相关的特征基因(基因在药物活性和基因表达的Spearman相关值与药物活性和CNV的Spearman相关值之间应显示相同的趋势)；
4)基于协同过滤方法的药物敏感性预测：提供如下数据矩阵：
(i)与-log(IC50nM)的N种药物对Y个细胞系的信息，表示为药物敏感性矩阵
(ii)以细胞系特征的余弦相似度测量的细胞系相似度矩阵
(iii)使用Tanimoto系数测量的药物的相似性矩阵
通过基于矩阵分解的方法计算癌细胞中药物敏感性的预测值；
5)识别特定癌症类型的药物敏感性相关基因：利用组稀疏模型无缝地集成到基于协作过滤的细胞系响应预测模型中进行识别，组稀疏模型。
2.根据权利要求1所述的一种预测抗癌药物反应相关基因的综合分析方法，其特征在于，所述途径富集分析在分析时p小于0.05，所述Spearman相关分析在分析时大于0.7。
3.根据权利要求1所述的一种预测抗癌药物反应相关基因的综合分析方法，其特征在于，所述余弦相似度为细胞系的基因表达谱，所述使用Tanimoto系数测量的药物的相似性采用PubChem上881位的二进制指纹。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110663077.7A CN113362895A (zh) | 2021-06-15 | 2021-06-15 | 一种预测抗癌药物反应相关基因的综合分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110663077.7A CN113362895A (zh) | 2021-06-15 | 2021-06-15 | 一种预测抗癌药物反应相关基因的综合分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113362895A true CN113362895A (zh) | 2021-09-07 |
Family
ID=77534403
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110663077.7A Pending CN113362895A (zh) | 2021-06-15 | 2021-06-15 | 一种预测抗癌药物反应相关基因的综合分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113362895A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023191165A1 (ko) * | 2022-03-30 | 2023-10-05 | 메디리타 주식회사 | 인공 지능 기반 신약 후보 물질의 약리 효과 예측 방법 |
| CN117275608A (zh) * | 2023-09-08 | 2023-12-22 | 浙江大学 | 基于协同注意力的可解释性抗癌药物协同预测方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050118600A1 (en) * | 2002-03-13 | 2005-06-02 | Yuko Aoki | Method for selecting drug sensitivity-determining factors and method for predicting drug sensitivity using the selected factors |
| CN105653846A (zh) * | 2015-12-25 | 2016-06-08 | 中南大学 | 基于集成的相似性度量和双向随机游走的药物重定位方法 |
| KR20160088663A (ko) * | 2015-01-16 | 2016-07-26 | 연세대학교 산학협력단 | 질병 관련 유전자 탐색 장치 및 그 방법 |
| US20160224723A1 (en) * | 2015-01-29 | 2016-08-04 | The Trustees Of Columbia University In The City Of New York | Method for predicting drug response based on genomic and transcriptomic data |
| US20180190381A1 (en) * | 2015-06-15 | 2018-07-05 | Nantomics, Llc | Systems And Methods For Patient-Specific Prediction Of Drug Responses From Cell Line Genomics |
| CN108830040A (zh) * | 2018-06-07 | 2018-11-16 | 中南大学 | 一种基于细胞系和药物相似性网络的药物敏感性预测方法 |
| CN108877953A (zh) * | 2018-06-06 | 2018-11-23 | 中南大学 | 一种基于多相似性网络的药物敏感性预测方法 |
| CN110232978A (zh) * | 2019-06-14 | 2019-09-13 | 西安电子科技大学 | 基于多维网络的癌症细胞系治疗药物预测方法 |
| CN112951327A (zh) * | 2021-02-09 | 2021-06-11 | 清华大学深圳国际研究生院 | 药物敏感预测方法、电子设备及计算机可读存储介质 |
-
2021
- 2021-06-15 CN CN202110663077.7A patent/CN113362895A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050118600A1 (en) * | 2002-03-13 | 2005-06-02 | Yuko Aoki | Method for selecting drug sensitivity-determining factors and method for predicting drug sensitivity using the selected factors |
| KR20160088663A (ko) * | 2015-01-16 | 2016-07-26 | 연세대학교 산학협력단 | 질병 관련 유전자 탐색 장치 및 그 방법 |
| US20160224723A1 (en) * | 2015-01-29 | 2016-08-04 | The Trustees Of Columbia University In The City Of New York | Method for predicting drug response based on genomic and transcriptomic data |
| US20180190381A1 (en) * | 2015-06-15 | 2018-07-05 | Nantomics, Llc | Systems And Methods For Patient-Specific Prediction Of Drug Responses From Cell Line Genomics |
| CN105653846A (zh) * | 2015-12-25 | 2016-06-08 | 中南大学 | 基于集成的相似性度量和双向随机游走的药物重定位方法 |
| CN108877953A (zh) * | 2018-06-06 | 2018-11-23 | 中南大学 | 一种基于多相似性网络的药物敏感性预测方法 |
| CN108830040A (zh) * | 2018-06-07 | 2018-11-16 | 中南大学 | 一种基于细胞系和药物相似性网络的药物敏感性预测方法 |
| CN110232978A (zh) * | 2019-06-14 | 2019-09-13 | 西安电子科技大学 | 基于多维网络的癌症细胞系治疗药物预测方法 |
| CN112951327A (zh) * | 2021-02-09 | 2021-06-11 | 清华大学深圳国际研究生院 | 药物敏感预测方法、电子设备及计算机可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| YI SUN，等: "Identifying anti-cancer drug response related genes using an integrative analysis of transcriptomic and genomic variations with cell line-based drug perturbations", 《ONCOTARGET》, vol. 7, no. 8, pages 9404 - 9419 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023191165A1 (ko) * | 2022-03-30 | 2023-10-05 | 메디리타 주식회사 | 인공 지능 기반 신약 후보 물질의 약리 효과 예측 방법 |
| CN117275608A (zh) * | 2023-09-08 | 2023-12-22 | 浙江大学 | 基于协同注意力的可解释性抗癌药物协同预测方法及装置 |
| CN117275608B (zh) * | 2023-09-08 | 2024-04-26 | 浙江大学 | 基于协同注意力的可解释性抗癌药物协同预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112048559B (zh) | 基于m6A相关的IncRNA网络胃癌预后的模型构建及临床应用 | |
| Liu et al. | A combinational feature selection and ensemble neural network method for classification of gene expression data | |
| Dopazo et al. | Methods and approaches in the analysis of gene expression data | |
| WO2022141775A1 (zh) | 基于dna甲基化谱的肿瘤免疫检查点抑制剂治疗有效性评估模型的构建方法 | |
| US7370021B2 (en) | Medical applications of adaptive learning systems using gene expression data | |
| KR20020075265A (ko) | 임상 진단 서비스를 제공하는 방법 | |
| CN113362895A (zh) | 一种预测抗癌药物反应相关基因的综合分析方法 | |
| Jenkinson et al. | An information-theoretic approach to the modeling and analysis of whole-genome bisulfite sequencing data | |
| Owzar et al. | Statistical considerations for analysis of microarray experiments | |
| Simon | Microarray-based expression profiling and informatics | |
| CN115116624A (zh) | 基于半监督迁移学习的药物敏感性预测方法和装置 | |
| CN113234829A (zh) | 结肠癌预后评估基因集及其构建方法 | |
| CN115836349A (zh) | 用于评估纵向生物特征数据的系统和方法 | |
| Wijethilake et al. | Survival prediction and risk estimation of Glioma patients using mRNA expressions | |
| Simonin-Wilmer et al. | An overview of strategies for detecting genotype-phenotype associations across ancestrally diverse populations | |
| Mason et al. | eQTL discovery and their association with severe equine asthma in European Warmblood horses | |
| Sun et al. | Classification of rheumatoid arthritis status with candidate gene and genome-wide single-nucleotide polymorphisms using random forests | |
| Dawany et al. | Asymmetric microarray data produces gene lists highly predictive of research literature on multiple cancer types | |
| KR20210110241A (ko) | 인간백혈구항원 하플로타입 기반 다중 분류 인공지능 모델을 이용한 면역항암제 적응증 및 반응 예측 시스템 및 방법 | |
| Mauguen et al. | Estimating the probability of clonal relatedness of pairs of tumors in cancer patients | |
| Shi et al. | An application based on bioinformatics and machine learning for risk prediction of sepsis at first clinical presentation using transcriptomic data | |
| Li et al. | A systematic method for mapping multiple loci: an application to construct a genetic network for rheumatoid arthritis | |
| Luyapan et al. | A new efficient method to detect genetic interactions for lung cancer GWAS | |
| Li et al. | Using the SVM Method for Lung Adenocarcinoma Prognosis Based on Expression Level | |
| Zou et al. | A robust statistical procedure to discover expression biomarkers using microarray genomic expression data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |