تحسين اكتشاف الأدوية المستندة إلى البيانات لسرطان الثدي باستخدام نماذج التعلم الآلي القابلة للتفسير

Dyuti Banerjee; Sivaneasan Bala Krishnan; Kamal Upreti; Sumegh Shrikant Tharewal; Uma Shankar; Pravin Kshirsagar; Manoj Kumar

doi:10.3791/68705

يتطلب اشتراك JoVE لعرض هذا المحتوى. تسجيل الدخول أو ابدأ نسخة تجريبية مجانية

مقالة منهجية

تحسين اكتشاف الأدوية المستندة إلى البيانات لسرطان الثدي باستخدام نماذج التعلم الآلي القابلة للتفسير

956 مشاهدة

⸱

DOI:

10.3791/68705

⸱

سبتمبر 12, 2025

Dyuti Banerjee¹ , Sivaneasan Bala Krishnan² , Kamal Upreti³ , Sumegh Shrikant Tharewal⁴ , Uma Shankar⁵ , Pravin Kshirsagar⁶ , Manoj Kumar⁷

¹Koneru Lakshmaiah Education Foundation, ²Singapore Institute of Technology, ³Christ University, ⁴DBS Global University, ⁵Qaiwan International University, ⁶J D College of Engineering & Management, ⁷Gurukula Kangri University

في هذه المقالة

ملخص

يقدم هذا البروتوكول خط أنابيب التعلم الآلي باستخدام XGBoost و SHAP للتنبؤ بحساسية الأدوية في سرطان الثدي. يتضمن سير العمل المعالجة المسبقة للبيانات ، والنمذجة الهجينة ، والتفسير المستند إلى SHAP ، وتسجيل التآزر ، وتجميع PCA لتحديد الأدوية القوية وفهم العوامل البيولوجية الرئيسية التي تؤثر على الاستجابة العلاجية.

الملخص

لا يزال سرطان الثدي أحد أكثر الأورام الخبيثة انتشارا في جميع أنحاء العالم ، ويشكل تحديات علاجية كبيرة بسبب عدم تجانس الورم ومقاومة الأدوية. تقدم هذه الدراسة بروتوكول تعلم آلي قابل للتكرار وقائم على البيانات للتنبؤ بحساسية الأدوية في خطوط خلايا سرطان الثدي ، بهدف مزدوج يتمثل في تحديد العوامل الفردية القوية ومجموعات الأدوية التآزرية. باستخدام مجموعات البيانات المنسقة من علم جينوم حساسية الأدوية في السرطان (GDSC) ، تم تنفيذ نهجين تنبؤيين: مراجع XGBoost مستقل وخط أنابيب هجين Autoencoder-XGBoost. تضمنت المعالجة المسبقة ترميز الملصقات ، والتشفير الساخن مرة واحدة ، وتوحيد درجة Z ، وإسناد القيمة المفقودة ، وتقليل الأبعاد عبر PCA. أظهر تقييم النموذج أن XGBoost حقق أداء فائقا (MSE = 1.3789 ، R² = 0.8145) مقارنة بالنموذج الهجين (MSE = 4.0322 ، R² = 0.4577). تمت معالجة قابلية التفسير باستخدام SHapley Additive exPlanations (SHAP) ، والتي حددت TARGET_PATHWAY و DRUG_ID و TARGET و CELL_LINE_NAME كسمات تنبؤية رئيسية ، بما يتماشى مع الآليات الدوائية المعمول بها. سلطت درجات التآزر المتوقعة ، المستمدة من الجمع بين مخرجات النموذج مع بيانات DrugComb و SynergyDB ، الضوء على أزواج الأدوية الواعدة مثل Bortezomib + Romidepsin و Paclitaxel + Bortezomib. تم دعم هذه النتائج بشكل أكبر من خلال التجميع الدوائي القائم على PCA ، والذي كشف عن مجموعات ذات صلة بيولوجيا من الأدوية ذات آليات عمل مماثلة. يوفر البروتوكول المقترح إطارا شفافا وقابلا للتكيف لأبحاث الأورام الدقيقة ، مما يتيح الدقة التنبؤية وقابلية التفسير البيولوجي. من خلال دمج المعالجة المسبقة الصارمة ، والتحقق من صحة النموذج ، وقابلية التفسير ، وتحليل تآزر الأدوية ، يوفر سير العمل هذا أساسا قابلا للتطوير لاكتشاف الأدوية الانتقالية وإعادة استخدامها في علاج سرطان الثدي.

المقدمة

لا يزال سرطان الثدي هو أكثر أنواع السرطان شيوعا والسبب الرئيسي الثاني للوفاة المرتبطة بالسرطان بين النساء على مستوى العالم¹. في الولايات المتحدة وحدها ، يمثل ما يقرب من 30٪ من جميع الأورام الخبيثة الأنثوية الجديدة ، مع تشخيص أكثر من 280.000 حالة جديدة سنويا². على الرغم من التقدم العلاجي ، لا سيما في الأنواع الفرعية الإيجابية HER2 ومستقبلات الهرمونات الإيجابية ، لا تزال مقاومة العلاج والتكرار تمثل تحديات حرجة - خاصة بالنسبة للأنواع الفرعية العدوانية مثل سرطان الثدي الثلاثي السلبي (TNBC) ، الذي يفتقر إلى العلاجات المستهدفة³^،⁴. وهذا....