Datengetriebene Optimierung der Wirkstoffforschung bei Brustkrebs mit interpretierbaren Modellen des maschinellen Lernens

Summary

Dieses Protokoll stellt eine Pipeline für maschinelles Lernen vor, die XGBoost und SHAP verwendet, um die Empfindlichkeit von Medikamenten bei Brustkrebs vorherzusagen. Der Arbeitsablauf umfasst Datenvorverarbeitung, Hybridmodellierung, SHAP-basierte Interpretation, Synergiebewertung und PCA-Clustering, um wirksame Medikamente zu identifizieren und wichtige biologische Faktoren zu verstehen, die das therapeutische Ansprechen beeinflussen.

Abstract

Brustkrebs ist nach wie vor eine der häufigsten bösartigen Erkrankungen weltweit und stellt aufgrund der Heterogenität des Tumors und der Arzneimittelresistenz erhebliche therapeutische Herausforderungen dar. Diese Studie stellt ein reproduzierbares, datengesteuertes maschinelles Lernprotokoll zur Vorhersage der Arzneimittelempfindlichkeit in Brustkrebszelllinien vor, mit dem doppelten Ziel, potente Einzelwirkstoffe und synergistische Wirkstoffkombinationen zu identifizieren. Unter Verwendung kuratierter Datensätze aus der Genomics of Drug Sensitivity in Cancer (GDSC) wurden zwei prädiktive Ansätze implementiert: ein eigenständiger XGBoost-Regressor und eine hybride Autoencoder-XGBoost-Pipeline. Die Vorverarbeitung umfasste die Etikettencodierung, die One-Hot-Codierung, die Standardisierung des Z-Scores, die Imputation fehlender Werte und die Reduzierung der Dimensionalität über PCA. Die Modellauswertung zeigte, dass XGBoost im Vergleich zum Hybridmodell (= 4,0322, R² = 0,4577) eine überlegene Leistung (= 1,3789, R² = 0,8145) erzielte. Die Interpretierbarkeit wurde mit Hilfe von SHapley Additive Explanations (SHAP) untersucht, die TARGET_PATHWAY, DRUG_ID, TARGET und CELL_LINE_NAME als wichtige prädiktive Merkmale identifizierten und mit etablierten pharmakologischen Mechanismen übereinstimmten. Prognostizierte Synergiewerte, die aus der Kombination von Modellergebnissen mit DrugComb- und SynergyDB-Daten abgeleitet wurden, zeigten vielversprechende Wirkstoffpaare wie Bortezomib + Romidepsin und Paclitaxel + Bortezomib. Diese Ergebnisse wurden durch PCA-basiertes pharmakologisches Clustering weiter unterstützt, das biologisch relevante Gruppierungen von Arzneimitteln mit ähnlichen Wirkmechanismen aufdeckte. Das vorgeschlagene Protokoll bietet einen transparenten und anpassungsfähigen Rahmen für die onkologische Präzisionsforschung, der sowohl prädiktive Genauigkeit als auch biologische Interpretierbarkeit ermöglicht. Durch die Integration von rigoroser Vorverarbeitung, Modellvalidierung, Erklärbarkeit und Wirkstoffsynergieanalyse bietet dieser Workflow eine skalierbare Grundlage für die translationale Wirkstoffforschung und -wiederverwendung in der Brustkrebsbehandlung.

Introduction

Brustkrebs ist nach wie vor die am häufigsten diagnostizierte Krebserkrankung und die zweithäufigste krebsbedingte Todesursache bei Frauen weltweit¹. Allein in den Vereinigten Staaten macht sie fast 30 % aller neuen weiblichen Malignome aus, wobei jährlich über 280.000 neue Fälle diagnostiziert werden². Trotz therapeutischer Fortschritte, insbesondere bei HER2-positiven und Hormonrezeptor-positiven Subtypen, bleiben Therapieresistenz und Rezidiv eine kritische Herausforderung – insbesondere bei aggressiven Subtypen wie dem dreifach negativen Brustkrebs (TNBC), für den es keine zielgerichteten Therapien gibt ^3,4. Dies unterstreicht den dringenden Bedarf an präzisionsgesteuerter Wirkstoffforschung, um wirksame Therapeutika und Kombinationen zu identifizieren, die auf individuelle molekulare Profile zugeschnitten sind. Die Wirkstoffforschung, die traditionell von experimentellen und Trial-and-Error-Methoden geleitet wird, hat durch die Integration von Techniken des maschinellen Lernens (ML) eine bemerkenswerte Beschleunigung erfahren ^5,6. ML ermöglicht die Modellierung komplexer, nichtlinearer Beziehungen über hochdimensionale biomedizinische Daten hinweg und kann bei der Identifizierung von Zielmolekülen, der Entdeckung von Biomarkern, der Vorhersage der Arzneimittelempfindlichkeit und der Entwicklung von Kombinationstherapien helfen ^7,8. Der praktische Einsatz von ML-Modellen in der Onkologie steht jedoch vor mehreren Hürden, darunter die Interpretierbarkeit des Modells, die Reproduzierbarkeit, die Überanpassung an dünn besetzte Datensätze und die Generalisierung über Krebssubtypen^{hinweg 9,10,11}.

Um diese Einschränkungen zu überwinden, hat sich die jüngste Forschung auf die Kombination von Deep Learning für die Merkmalsextraktion mit Ensemble-Lernen für eine robuste Vorhersage konzentriert. In Studien, in denen mehrere Algorithmen evaluiert wurden, erreichten Modelle wie Künstliche Neuronale Netze (KNN) Genauigkeitsgrade von bis zu 93,2 % und übertrafen damit herkömmliche Klassifikatoren wie Naïve Bayes und Decision Trees¹². Darüber hinaus haben integrierte Feature-Mining-Techniken wichtige Treibergene und molekulare Ziele durch Datenbanken wie GEO (Gene Expression Omnibus) und GSE45827 aufgedeckt und bis zu 1.700 differentiell exprimierte Gene identifiziert, von denen einige bekannte Wechselwirkungen mit anderen Medikamenten aufweisen¹³. Darüber hinaus haben neuartige Studien zur Umwidmung von Medikamenten das Potenzial von nicht-onkologischen Verbindungen wie Calcitriol gezeigt, die Lebensfähigkeit von Brustkrebszellen wirksamer zu verringern als Standardbehandlungen wie Neratinib, insbesondere in HER2+-Zelllinien¹⁴. Untersuchungen des Akt-Signalwegs haben sich ebenfalls als vielversprechend bei der Überwindung der Trastuzumab-Resistenz erwiesen, was auf ein molekulares Signalweg-Targeting als Alternative zur rezeptorfokussierten Therapie hindeutet^15,16. Trotz dieser Fortschritte ist ein systematischer und erklärbarer Rahmen, der in der Lage ist, kontinuierliche Wirkstoffreaktionswerte vorherzusagen, wirksame Arzneimittelkombinationen zu bewerten und pharmakologische Ähnlichkeiten zu visualisieren, in der aktuellen Literatur noch wenig erforscht. Viele Modelle basieren entweder auf Klassifikationen oder sind nicht translational klar, insbesondere wenn sie auf pharmakogenomische Datensätze aus der realen Welt angewendet werden.

Die Wirkstoffforschung und Entscheidungsfindung kann durch maschinelles Lernen (ML) verbessert werden, das Instrumente für qualitativ hochwertige Daten bietet. Alle Phasen der Arzneimittelforschung, einschließlich der Zielvalidierung, der Identifizierung von Biomarkern und der Analyse klinischer Studien, können vom Einsatz von maschinellem Lernen profitieren. Auch die Interpretierbarkeit und Reproduzierbarkeit von ML-generierten Ergebnissen sind Hindernisse¹⁷. Die Reduzierung der Fehlerquoten und die Beschleunigung des Prozesses können erreicht werden, indem diese Probleme angegangen und das Wissen über Validierungsvariablen erweitert wird. Mit Hilfe von Algorithmen des maschinellen Lernens bewerteten die Forscher Biopsieproben in verschiedenen Stadien der Krebserkrankung. Die Testgenauigkeiten waren hoch, mit ANN 93,2 %, Naive Bayes (NB) 90,4 %, Decision Tree (DT) 87,8 % und RF 85,9 %. Insgesamt wurden 350 vorhergesagte Gene und 164 differentiell exprimierte Gene durch die Kombination der GEO-Datenbank von Rakhshaninejad et al. gefunden.¹⁸. Im kombinierten Datensatz fand der Binary Grey Wolf Optimization with Simulated Annealing Ensemble (BGWO_SA_Ens) Algorithmus 1404 Gene, während er im GSE45827 Datensatz 1710 fand. Es wurden rund 35 überlegene Gene gefunden, zusammen mit ihrer Rolle in wichtigen Signalwegen und den Beziehungen zwischen überlegenen Genen und Krebsmedikamenten. Um Zielgene aus dem Überexpressionssignalweg des Epidermalen Wachstumsfaktor-Rezeptors (EGFR (EGFR) und deren verwandte Familienmitglieder zu finden, wurden von Nagaraj et al. molekulare Netzwerkuntersuchungen durchgeführt.¹⁹ Ein Medikament namens Calcitriol, das zur Behandlung von Erkrankungen zugelassen ist, die nichts mit Krebs zu tun haben, hatte starke Bindungsaffinitäten mit jedem der vier Rezeptoren. Laut in vitro Zytotoxizitätsstudien reduzierte Calcitriol die Lebensfähigkeit von SK-BR-3-Zellen dosisabhängig, was auf eine überlegene Zytotoxizität und eine verminderte Proliferation von Brustkrebszellen im Vergleich zu Neratinib hinweist. Ein aktiver und medikamentöser Akt-Signalweg wurde von Jernström et al. vorgeschlagen.²⁰ dass zwei Zelllinien, die Trastuzumab-unempfindlich waren, auf einen Akt1/2-Kinase-Inhibitor ansprachen. Anstatt sich auf die HER2-Amplifikation oder -Expression zu konzentrieren, empfiehlt die Studie, den Akt-Signalweg ins Visier zu nehmen und molekulare Aspekte bei der Therapieentscheidung zu berücksichtigen. Dreißig Prozent der neuen weiblichen bösartigen Erkrankungen in den USA sind Brustkrebs, was ihn zur häufigsten bösartigen Erkrankung bei Frauen macht. Das Ziel von Witt und Tollefsbol²¹ bestand darin, ein grundlegendes Werkzeug zu entwickeln, das Forschern bei der Auswahl einer Brustkrebszelllinie helfen sollte, die unter anderem für Xenotransplantat-Experimente, Krebsprävention und epigenetische Entdeckungen verwendet werden sollte. Ebenfalls behandelt werden Debatten über die Herkunft bestimmter Brustkrebszelllinien und die Vorteile des Einsatzes von patientenabgeleitetem Xenotransplantat (PDX) im Gegensatz zu zellabgeleitetem Xenotransplantat (CDX). Der Einsatz von Techniken zur Vorhersage von Wirkstoffen, um neue Hypothesen zur Wirkstoffforschung zu liefern, wurde in Gruener et al. untersucht.²², mit Schwerpunkt auf triple-negativem Brustkrebs (TNBC). Auf der Grundlage von Zelllinien-Transkriptomdaten wurden maschinelle Lernmodelle des Wirkstoffansprechens konstruiert und dann auf Tumordaten von Patienten angewendet. Die Ergebnisse zeigten, dass der Wee1-Inhibitor AZD-1775 eine bevorzugte Wirkung bei TNBC hatte und dass TP53-Mutationen stark mit seiner Wirksamkeit verbunden waren. Um unbekannte Wechselwirkungen zwischen Wirkstoffen und Zielmolekülen in der Brustkrebsforschung vorherzusagen, haben Song et al.²³ präsentieren einen merkmalsbasierten Ansatz mit dem Namen Pseudo Position-Specific Physicochemical Property-Derived Composition for Drug-Target Interaction Prediction (PsePDC-DTIs), der Proteinsequenzen, den DCCA-Koeffizienten (Deep Canonical Correlation Analysis) und einen molekularen Fingerabdruck-Deskriptor verwendet. Die Technik prognostiziert DTIs auf vier Goldstandard-Datensätzen unter Verwendung eines Random-Forest-Klassifikators und verarbeitet unausgeglichene Daten mit SMOTE. Darüber hinaus nutzt das Modell Risikogene aus der genomweiten genetischen Forschung, um neue Angriffspunkte für die Therapie von Brustkrebs zu untersuchen. Die Überlegenheit und Validität des Modells wird durch die zehn möglichen DTIs demonstriert, die es für die Therapie anbietet. Zehn bis zwanzig Prozent der Fälle von Brustkrebs sind dreifach negativer Brustkrebs (TNBC). Derzeit gibt es keine zielgerichteten Therapien für TNBC, trotz Fortschritten bei der Behandlung von HER2+ und hormonellen Rezeptoren+.²⁴. Obwohl der EGFR von der Mehrzahl der Patienten exprimiert wird, fanden frühe Studien keine erkennbare Aktivität. Zukünftige experimentelle Behandlungen für TNBC werden durch jüngste Erkenntnisse und klinische Fortschritte vorgeschlagen²⁵.

Trotz der zunehmenden Integration von maschinellem Lernen in die Wirkstoffforschung mangelt es aktuellen Modellen oft an Interpretierbarkeit und Reproduzierbarkeit, was ihre translationale Anwendung einschränkt. Während frühere Studien die Klassifikationsgenauigkeit und das Gene Mining untersucht haben, haben nur wenige systematisch eine kontinuierliche Arzneimittelempfindlichkeit (wie LN_IC50) mit hybriden interpretierbaren Modellen vorhergesagt. Darüber hinaus ist die Kombination von Techniken zur Dimensionalitätsreduktion mit robusten Regressoren im Zusammenhang mit der Brustkrebsbehandlung noch wenig erforscht. Diese Studie schließt diese Lücke durch die Einführung und Evaluierung einer Dual-Pipeline-Strategie – XGBoost und Autoencoder-XGBoost – für eine hochgenaue Vorhersage des Ansprechens auf Medikamente, gekoppelt mit Erklärbarkeits- und Synergie-Mapping-Tools für die klinische Anwendbarkeit in der Praxis.

Protocol

1. Erfassung von Datensätzen

1. Laden Sie die Daten zur Arzneimittelsensitivität von GDSC (https://www.cancerrxgene.org/downloads/drug_data) herunter. Eine Zusammenfassung des verwendeten Datensatzes finden Sie in Tabelle 1. Verwendete Dateien sind gdsc_drug_data.csv (Drug Response), gdsc_expression_data.csv (Genexpression) und gdsc_cell_metadata.csv (Informationen zur Zelllinie).
   In Abbildung 1 finden Sie ein Beispiel für die Datasetstruktur, die in diesem Workflow verwendet wird.
2. Filtern Sie das Dataset mithilfe von Python (Pandas-Bibliothek) so, dass nur Brustkrebszelllinien enthalten sind.
   1. Wählen Sie Datensätze aus, bei denen die TCGA_DESC Spalte gleich "Brust" ist.
   2. Extrahieren Sie die entsprechenden CELL_LINE_NAME Werte.
   3. Für die Implementierung ist der Ergänzungscode 1 (Ergänzungsdatei 1) zu entnehmen.
      HINWEIS: Die Beschränkung des Datensatzes auf Brustkrebszelllinien gewährleistet ein domänenspezifisches Modelltraining und verbessert die biologische Validität. Der in dieser Studie verwendete Datensatz wurde aus der Datenbank Genomics of Drug Sensitivity in Cancer (GDSC) entnommen und seine wichtigsten Merkmale sind in Tabelle 2 dargestellt.

2. Datenvorverarbeitung

1. Die Vorverarbeitungspipeline:
   1. Codieren Sie kategoriale Variablen wie DRUG_ID, CELL_LINE_NAME und TARGET_PATHWAY mit LabelEncoder, um sie in ganzzahlige Formate zu konvertieren, die für die XGBoost-Eingabe geeignet sind.
   2. Normalisieren Sie numerische Merkmale, einschließlich Genexpressionsdaten, Kopienzahländerungen (CNA) und Methylierungsmerkmale, mithilfe der Z-Score-Standardisierung (StandardScaler), um sicherzustellen, dass Mittelwert und Einheitenvarianz von Null sind.
   3. Entfernen Sie Proben mit mehr als 30 % fehlenden Merkmalen.
   4. Imputieren Sie die verbleibenden fehlenden Werte anhand des Medians der jeweiligen Feature-Spalte mit SimpleImputer(strategy='median').
   5. Wenden Sie die One-Hot-Codierung auf kategoriale Variablen (DRUG_ID und TARGET_PATHWAY) an, indem Sie OneHotEncoder von scikit-learn verwenden.
   6. Führen Sie eine Dimensionalitätsreduzierung von Genexpressionsmerkmalen mithilfe der Hauptkomponentenanalyse (PCA) durch, um den Merkmalsraum zu reduzieren und gleichzeitig die Varianz zu erhalten.
   7. Teilen Sie den endgültigen bereinigten Datensatz mithilfe von train_test_split von scikit-learn in Trainings- (80 %) und Testsätze (20 %) auf, wobei die Verteilung der Wirkstoff-Zell-Paare beibehalten wird.
      HINWEIS: Die detaillierte Begründung für jeden Vorverarbeitungsschritt und die daraus resultierenden Datensatzdimensionen wird im Abschnitt Diskussion erläutert.
2. Behandeln von kategorialen Variablen
   1. Identifizieren Sie kategoriale Variablen (CELL_LINE_NAME, DRUG_NAME TARGET_PATHWAY) mit Pandas.
   2. Wenden Sie die Label-Codierung auf diese Variablen an, indem Sie den LabelEncoder von scikit-learn verwenden.
   3. Implementieren Sie diesen Schritt programmgesteuert, wie in Ergänzender Code 2 (Ergänzende Datei 1) gezeigt.
      HINWEIS: Algorithmen für maschinelles Lernen erfordern numerische Eingaben. Bei der Label-Codierung werden kategoriale Variablen in das ganzzahlige Format konvertiert, wobei die Klassenunterschiede beibehalten werden.
3. Standardisieren numerischer Merkmale
   1. Identifizieren Sie numerische Variablen über Genexpression, Kopienzahlveränderung (CNA) und Methylierungsmerkmale hinweg.
   2. Wenden Sie StandardScaler an, um Features auf Null, Mittelwert und Einheitenvarianz zu normalisieren.
      HINWEIS: Durch die Standardisierung wird sichergestellt, dass alle numerischen Features gleichermaßen zum Modell beitragen, indem sie so skaliert werden, dass sie einen Mittelwert und eine Einheitenvarianz von Null aufweisen. Dies verhindert, dass Features mit größeren Skalen das Modelltraining dominieren, und verbessert die Konvergenz in Optimierungsalgorithmen.
4. Behandeln fehlender Werte
   1. Erkennen Sie fehlende Einträge in allen Features.
   2. Entfernen Sie Datensätze mit mehr als 30 % fehlenden Daten.
   3. Imputieren Sie die verbleibenden fehlenden Werte mit der Median-Imputationsstrategie.
      HINWEIS: Unvollständige Daten können zu Verzerrungen führen und die Robustheit des Modells verringern. Das Entfernen stark fehlender Datensätze gewährleistet die Zuverlässigkeit der Daten, während die mediane Imputation eine stabile und ausreißerresistente Methode bietet, um verwertbare Informationen zu erhalten, ohne starke Verteilungsannahmen einzuführen.
5. Teilen des Datensatzes
   1. Verwenden Sie eine automatisierte Methode (z. B. train_test_split von sikit-learn), um den endgültigen bereinigten Datensatz in Trainings- und Testteilmengen zu unterteilen.
   2. Geben Sie einen zufälligen Startwert an (z. B. random_state=42), um die Reproduzierbarkeit zu gewährleisten.
   3. Ordnen Sie 80 % der Daten dem Trainingssatz und 20 % dem Testsatz zu.
   4. Die vollständige Codeimplementierung finden Sie in Ergänzender Code 3 (Ergänzende Datei 1).
      HINWEIS: Die Unterteilung der Daten in Trainings- und Testteilmengen ermöglicht eine unvoreingenommene Bewertung der Generalisierbarkeit des Modells.

3. Modellierungs-Framework

1. Definieren des Regressionsziels
   1. Formulieren Sie die Vorhersageaufgabe als Regressionsproblem, um den natürlichen Logarithmus der halbmaximalen Hemmkonzentration (LN_IC50) für jedes Wirkstoff-Zelllinien-Paar zu schätzen.
   2. Wählen Sie LN_IC50 als Zielvariable, um die Varianz zu stabilisieren und das Modell zu verbessern.
      HINWEIS: Durch die Umwandlung von IC50 in LN_IC50 wird die Schiefe reduziert und die Modellleistung verbessert.
2. Zug XGBoost Regressor (Modell 1)
   1. Wählen Sie XGBoost als primäres Modell aufgrund seiner starken Leistung bei strukturierten pharmakogenomischen Datensätzen und der Fähigkeit, nichtlineare Merkmalsinteraktionen mit Regularisierung zu modellieren, um eine Überanpassung zu verhindern.
   2. Initialisieren Sie das Modell programmgesteuert mit der XGBRegressor-Klasse aus der xgboost-Bibliothek. Geben Sie abgestimmte Hyperparameter (Lernrate, maximale Tiefe, Anzahl der Schätzer und zufälliger Startwert) an, die durch Kreuzvalidierung identifiziert wurden.
   3. Trainieren Sie das Modell mit der Trainingsteilmenge (X_train, y_train) mit der fit()-Methode.
   4. Generieren Sie Vorhersagen für die Testteilmenge (X_test) mit der predict()-Methode.
   5. Bewerten Sie die Leistung mithilfe des mittleren quadratischen Fehlers () und des R²-Scores mit den Funktionen mean_squared_error und r2_score von scikit-learn.
      HINWEIS: Die vollständige Implementierung finden Sie im Ergänzenden Code 4 (Ergänzende Datei 1).
3. Ziehen Sie alternative Modelle in Betracht
   1. Bewerten Sie die Support Vector Regression (SVR) auf ihre Robustheit in hochdimensionalen Datenumgebungen mit kleinen Stichproben.
   2. Evaluieren Sie einen Autoencoder-XGBoost-Hybriden im Hinblick auf potenzielle Leistungssteigerungen durch tiefgreifende Extraktion latenter Merkmale und nichtlineare Modellierung.
   3. Vergleichen Sie die Leistung modellübergreifend mit identischen Bewertungsmetriken und Kreuzvalidierung.
      HINWEIS: SVR wurde aufgrund der geringeren Vorhersagegenauigkeit im Vergleich zu XGBoost aus den Endergebnissen ausgeschlossen, während der Autoencoder-XGBoost-Hybrid für den Vergleich von Deep-Learning- und Machine-Learning-Ansätzen beibehalten wurde.
4. Modell 1: XGBoost Regressor
   1. Wählen Sie XGBoost als Basismodell aufgrund seiner starken Leistung bei strukturierten biomedizinischen Daten, seiner Fähigkeit, nichtlineare Merkmalsinteraktionen zu modellieren, und seiner integrierten Regularisierung, die Überanpassung reduziert.
   2. Konfigurieren Sie das XGBoost-Modell mit den Hyperparametern learning_rate = 0,05, max_depth = 6 und n_estimators = 100.
   3. Optimieren Sie Hyperparameter mit der Grid-Suche und validieren Sie die Leistung mit 5-facher Kreuzvalidierung.
   4. Trainieren Sie das Modell mit dem vorbereiteten Trainingsdataset (X_train, y_train).
   5. Bewerten Sie die Vorhersageleistung mithilfe des mittleren quadratischen Fehlers () und des R²-Scores, die mit den mean_squared_error- und r2_score Funktionen von scikitlearn berechnet wurden.
      HINWEIS: Frühere Studien²⁶ haben gezeigt, dass XGBoost Deep-Learning-Modelle auf tabellarischen biomedizinischen Datensätzen mit geringerem Rechenaufwand durchweg übertrifft.
5. Build Hybrid Autoencoder + XGBoost-Modell (Modell 2)
   1. Entwerfen eines Autoencoders für die unüberwachte Dimensionalitätsreduzierung
      HINWEIS: Der Encoder komprimiert Eingabe-Features in eine niedrigdimensionale latente Darstellung. Der Decoder rekonstruiert die Eingabe, um Rekonstruktionsfehler zu minimieren.
   2. Trainieren Sie den Autoencoder mit der vollständigen Feature-Matrix, um latente Features zu extrahieren.
   3. Übergeben Sie den Ausgang des Encoders (latente Merkmale) als Eingang an einen XGBoost-Regressor, wie im Ergänzungscode 5A (Ergänzende Datei 1) gezeigt.
   4. Trainieren Sie den XGBoost-Regressor mit dem codierten Feature-Set mit LN_IC50 als Zielvariablen, wie in Ergänzender Code 5B (Ergänzende Datei 1) gezeigt.
   5. Bewerten Sie die Modellleistung mit denselben Metriken wie Modell 1 für den direkten Vergleich.
      HINWEIS: Dieser hybride Ansatz nutzt Deep-Learning-basiertes Repräsentationslernen und die starke Regressionsfähigkeit von XGBoost, was einen Vorteil für hochdimensionale biologische Daten bietet.
6. Evaluierung des Modells
   1. Werten Sie das trainierte Regressionsmodell aus, indem Sie Zielwerte mit der predict()-Methode für das Testdataset vorhersagen (X_test).
   2. Berechnen Sie den mittleren quadratischen Fehler (), um die durchschnittliche quadrierte Differenz zwischen den vorhergesagten und tatsächlichen LN_IC50 Werten mit mean_squared_error(y_test, y_pred) von scikit-learn zu messen.
      HINWEIS: Zusammen kombinieren diese Modelle Interpretierbarkeit und Präzision und bilden einen robusten Rahmen für die Vorhersage der Arzneimittelempfindlichkeit in der Brustkrebsforschung^27,28.
      
      Dabei steht _{y i} für die wahre LN_IC50 für das i-te Wirkstoff-Zell-Paar, ist der entsprechende vorhergesagte Wert und n ist die Gesamtzahl der Beobachtungen. Für den Autoencoder ist der Rekonstruktionsverlust gegeben durch,
      
      wobei X die Eingabemerkmalsmatrix ist, E(·) die Encoder-Funktion ist, die X auf eine latente Repräsentation abbildet, und D(·) die Decoder-Funktion ist, die X aus dem latenten Raum rekonstruiert.
   3. Berechnen Sie den^R2-Score , um den Anteil der Varianz in der Zielvariablen zu bestimmen, der durch das Modell mit r2_score(y_test, y_pred) von scikit-learn erklärt wird.
   4. Notieren Sie die berechneten- und R^2-Werte für die Berichterstellung. Die berechneten- und R²-Werte sind in Tabelle 3 zusammengefasst, um die Leistung der verschiedenen Modelle übersichtlich darzustellen und direkt zu vergleichen.
   5. Interpretieren Sie die Auswertungsmetriken: Eine niedrigere deutet auf eine höhere Vorhersagegenauigkeit hin, und^ein R2-Wert näher an 1 deutet auf eine stärkere Erklärungskraft und eine bessere Generalisierungsfähigkeit des Modells hin.
7. SHAP-Erklärbarkeit
   1. Installieren und importieren Sie die SHAP-Bibliothek (import shap). Stellen Sie sicher, dass die Version 0.41.0 ist, um die Reproduzierbarkeit zu gewährleisten.
   2. Initialisieren Sie den SHAP-Erklärer mit dem trainierten XGBoost-Modell, indem Sie dem ergänzenden Code 6 (Ergänzende Datei 1) folgen.
   3. Berechnen Sie SHAP-Werte für das Testdataset, um Bewertungen für den Featurebeitrag zu erhalten.
   4. Generieren Sie ein zusammenfassendes Diagramm zur globalen Feature-Wichtigkeit, um zu visualisieren, welche Features am meisten zu Vorhersagen beitragen.
   5. Erstellen Sie eine individuelle Vorhersageerklärung für eine ausgewählte Stichprobe mit dem SHAP-Wasserfalldiagramm.
   6. Interpretieren Sie die Diagramme, um Schlüsselmerkmale zu identifizieren, die die Vorhersagen beeinflussen. Wie in Tabelle 4 gezeigt, gehören zu den kritischen Merkmalen TARGET_PATHWAY, DRUG_ID, CELL_LINE_NAME, TARGET-Protein und Screen Medium, was darauf hindeutet, dass arzneimittelspezifische und zellspezifische Eigenschaften die Vorhersage des Arzneimittelansprechens signifikant beeinflussen.
      HINWEIS: Die SHAP-Werte wurden mit shap berechnet. TreeExplainer() für XGBoost-Modelle. Die globale Merkmalsbedeutung wurde mit shap.summary_plot() visualisiert, und Erklärungen pro Probe wurden mit shap.dependence_plot() und shap.waterfall_plot() generiert (SHAP v0.41.0). Wie in Tabelle 4 gezeigt, umfassten die einflussreichsten Merkmale TARGET_PATHWAY, DRUG_ID und CELL_LINE_NAME, was darauf hindeutet, dass sowohl arzneimittelspezifische als auch zellspezifische Eigenschaften entscheidend für die Bestimmung des Wirkstoffansprechens waren. Weitere wichtige Beiträge waren das TARGET-Protein und das Screen-Medium, was die Ausrichtung des Modells an domänenrelevanten Faktoren in der Krebspharmakogenomik weiter unterstreicht.
8. Wirkstoffsynergie und Clusterbildung
   1. Synergiedaten herunterladen
      1. Laden Sie Daten zu Synergien von Arzneimittelkombinationen aus öffentlich zugänglichen Repositorien herunter:
         DrugComb:https://drugcomb.fimm.fi
         SynergyDB: https://synergy.bioinformatics.nl
   2. Führen Sie Synergiedaten mit der prognostizierten Reaktion zusammen.
      1. Verwenden Sie Wirkstoff-Zelllinien-Kombinationen als eindeutige Schlüssel, um heruntergeladene Synergie-Scores (ZIP, Bliss, Loewe, HSA) mit den vorhergesagten Wirkstoffreaktionswerten (LN_IC50) zusammenzuführen.
      2. Stellen Sie sicher, dass Arzneimittelidentifikatoren und Zellliniennamen zwischen den Datensätzen vor dem Zusammenführen übereinstimmen.
   3. Berechnen Sie modellbasierte Synergiewerte.
      1. Berechnen Sie für jedes Wirkstoffpaar die kombinierte vorhergesagte Wirksamkeit anhand des Durchschnitts einzelner modellvorhergesagter LN_IC50 Werte:
         
         Dabei bezeichnet Scomb den kombinierten vorhergesagten LN_IC50-Score für ein Wirkstoffpaar, ist der vorhergesagte LN_IC50 für Wirkstoff 1.
      2. Ordnen Sie Medikamentenkombinationen basierend auf Synergie-Scores ein.
      3. Identifizieren Sie die Top-Kombinationen (z. B. Bortezomib + Romidepsin, Vinblastin + Dactinomycin), die die niedrigsten Synergiewerte aufweisen, was auf eine höhere prognostizierte Wirksamkeit hinweist.
         HINWEIS: Ein niedrigerer Synergiewert spiegelt ein größeres vorhergesagtes therapeutisches Potenzial wider, so dass diese Wirkstoffpaare Kandidaten für eine weitere experimentelle Validierung sind. Befolgen Sie die Schritte unter dem Zusatzcode 7A und dem Zusatzcode 7B (Zusatzdatei 1).
9. Synergie-Ranking und PCA-basiertes Clustering
   1. Ordnen Sie Medikamentenpaare nach Synergie-Score.
      1. Führen Sie Synergie-Scores (ZIP, Bliss, Loewe, HSA) mit vorhergesagten LN_IC50-Werten zusammen, indem Sie Wirkstoff-Zelllinien-Kombinationen als eindeutige Schlüssel verwenden.
      2. Berechnen Sie Synergiewerte für jedes Wirkstoffpaar anhand der durchschnittlichen vorhergesagten LN_IC50 Werte:
      3. Ordnen Sie Medikamentenpaare basierend auf berechneten Synergie-Scores ein.
      4. Identifizieren Sie Arzneimittelpaare mit den niedrigsten (negativsten) Werten als potenzielle synergistische Kombinationen (z. B. Bortezomib + Romidepsin, Vinblastin + Dactinomycin).
   2. Führen Sie PCA an der Wirkstoffreaktionsmatrix durch.
      1. Erstellen Sie eine Wirkstoffreaktionsmatrix unter Verwendung vorhergesagter LN_IC50-Werte, wobei Arzneimittel als Zeilen und Zelllinien als Spalten verwendet werden, indem Sie die Schritte befolgen, die in Ergänzungscode 8 (Ergänzende Datei 1) gezeigt werden.
      2. Standardisieren Sie die Matrix mit der zscore-Normalisierung.
      3. Führen Sie eine Hauptkomponentenanalyse (PCA) mit zwei Hauptkomponenten (n_components = 2) durch, um die Dimensionalität zu reduzieren und die große Varianz zu erfassen.
   3. Visualisieren von PCA-Clustern
      1. Plotten Sie die zweidimensionale PCA-Projektion mit Matplotlib oder Seaborn.
      2. Bestätigen, dass sich Medikamente mit ähnlichen Wirkmechanismen (z. B. Docetaxel und Paclitaxel) zusammenschließen, was die Fähigkeit des Modells bestätigt, biologisch bedeutsame Beziehungen zu erfassen.
   4. Modellstabilität und Ausgewogenheit der Funktionen
      1. Filtern Sie seltene kategoriale Variablen während der Codierung, um Probleme mit der Sparsamkeit zu vermeiden.
      2. Optimieren Sie die Lernraten des Autoencoders und fügen Sie Dropout-Schichten hinzu, um Konvergenzprobleme zu vermeiden.
      3. Beschränken Sie die SHAP-Analyse auf die 100 wichtigsten Funktionen, um den Speicher-Overhead zu reduzieren und die Recheneffizienz zu gewährleisten.

Results

Diese Studie konzentrierte sich auf die Optimierung der Medikamentenauswahl und die Vorhersage der kombinatorischen Wirksamkeit bei Brustkrebs unter Verwendung fortschrittlicher Modelle des maschinellen Lernens. Der Datensatz enthielt ein kuratiertes und gefiltertes Panel von Brustkrebszelllinien, Arzneimittelsensitivitätsmetriken (LN_IC50, AUC, Z-Score) und molekulare Deskriptoren wie CNA, Methylierung, Genexpression, Gewebedeskriptoren und Wirkstoffziele. Primäres Ziel war es, die LN_IC50 (natürlicher Logarithmus der h...

Discussion

Diese Studie stellt eine integrierte Pipeline für maschinelles Lernen vor, um sich an die Wahl des Medikaments anzupassen, synergistische Kombinationen vorherzusagen und die Möglichkeiten der Wiederverwendung von Medikamenten zu identifizieren. Daten aus der GDSC-Datenbank und Synergie-Repositorien (z. B. SynergyDB, DrugComb) wurden integriert, um ein umfassendes Panel von Wechselwirkungen zwischen Arzneimitteln und Zelllinien zu kuratieren, das molekulare Merkmale (z. B. Genexpression, ...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Autoencoder (Deep-Learning-Modell)	TensorFlow (Google)	https://www.tensorflow.org	Dimensionalitätsreduktion und Merkmalskodierung für die Modellierung des Wirkstoffansprechens
Bortezomib	Selleck Chemikalien	Nr. S1013	Medikament, das in der Synergieanalyse verwendet wird
Dactinomycin	Sigma-Aldrich	Nr. D1037	Medikament, das in der Synergieanalyse verwendet wird
Docetaxel	Sigma-Aldrich	Nr. D1080	Medikament für die Validierung von mechanismenbasiertem Clustering
Matplotlib-Bibliothek	Python-Paketindex (PyPI)	https://matplotlib.org	Datenvisualisierung und -darstellung in Python
NumPy-Bibliothek	Python-Paketindex (PyPI)	https://numpy.org	Numerisches Rechnen und Matrixoperationen
Paclitaxel	Sigma-Aldrich	Nr. T7191	Medikament für die Validierung von mechanismenbasiertem Clustering
Pandas-Bibliothek	Python-Paketindex (PyPI)	https://pandas.pydata.org	Datenmanipulation und -verarbeitung
Python 3.10	Python-Software-Stiftung	https://www.python.org	Primäre Programmiersprache
Romidepsin	Selleck Chemikalien	Nr. S3020	Medikament, das in der Synergieanalyse verwendet wird
Scikit-learn Bibliothek	Python-Paketindex (PyPI)	https://scikit-learn.org	Modellierungs- und Vorverarbeitungstools für maschinelles Lernen
Seaborn-Bibliothek	Python-Paketindex (PyPI)	https://seaborn.pydata.org	Datenvisualisierung und statistische Darstellung
SHAP-Bibliothek	Python-Paketindex (PyPI)	https://shap.readthedocs.io	Erklärbare Interpretierbarkeit des KI-Modells
Synergie-Daten (DrugComb)	FIMM, Finnland	https://drugcomb.fimm.fi	Referenzdatensatz zur Arzneimittelsynergie
Synergie-Daten (SynergyDB)	Universität Groningen	https://synergy.bioinformatics.nl	Referenzdatensatz zur Arzneimittelsynergie
TensorFlow 2.11	Googeln	https://www.tensorflow.org	Implementierung des Autoencoder-Deep-Learning-Modells
Vinblastin	Sigma-Aldrich	Nr. V1377	Medikament, das in der Synergieanalyse verwendet wird
XGBoost-Bibliothek	Python-Paketindex (PyPI)	https://xgboost.readthedocs.io	Gradienten-Boosting-Regressionsmodellierung