Ottimizzazione della scoperta di farmaci basata sui dati per il cancro al seno utilizzando modelli di apprendimento automatico interpretabili

Summary

Questo protocollo presenta una pipeline di apprendimento automatico che utilizza XGBoost e SHAP per prevedere la sensibilità ai farmaci nel cancro al seno. Il flusso di lavoro include la pre-elaborazione dei dati, la modellazione ibrida, l'interpretazione basata su SHAP, il punteggio delle sinergie e il clustering PCA per identificare farmaci potenti e comprendere i fattori biologici chiave che influenzano la risposta terapeutica.

Abstract

Il cancro al seno rimane una delle neoplasie maligne più diffuse in tutto il mondo, ponendo sfide terapeutiche significative a causa dell'eterogeneità del tumore e della resistenza ai farmaci. Questo studio presenta un protocollo di apprendimento automatico riproducibile e basato sui dati per prevedere la sensibilità ai farmaci nelle linee cellulari di cancro al seno, con il duplice obiettivo di identificare potenti agenti singoli e combinazioni di farmaci sinergici. Utilizzando set di dati curati dal Genomics of Drug Sensitivity in Cancer (GDSC), sono stati implementati due approcci predittivi: un regressore XGBoost autonomo e una pipeline ibrida Autoencoder-XGBoost. La pre-elaborazione includeva la codifica delle etichette, la codifica one-hot, la standardizzazione dello Z-score, l'imputazione del valore mancante e la riduzione della dimensionalità tramite PCA. La valutazione del modello ha dimostrato che XGBoost ha ottenuto prestazioni superiori (MSE = 1,3789, R² = 0,8145) rispetto al modello ibrido (MSE = 4,0322, R² = 0,4577). L'interpretabilità è stata affrontata utilizzando SHapley Additive exPlanations (SHAP), che ha identificato TARGET_PATHWAY, DRUG_ID, TARGET e CELL_LINE_NAME come caratteristiche predittive chiave, allineandosi con i meccanismi farmacologici stabiliti. I punteggi di sinergia previsti, derivati dalla combinazione dei risultati del modello con i dati di DrugComb e SynergyDB, hanno evidenziato coppie di farmaci promettenti come Bortezomib + Romidepsin e Paclitaxel + Bortezomib. Questi risultati sono stati ulteriormente supportati dal clustering farmacologico basato sulla PCA, rivelando raggruppamenti biologicamente rilevanti di farmaci con meccanismi d'azione simili. Il protocollo proposto fornisce un quadro trasparente e adattabile per la ricerca oncologica di precisione, consentendo sia l'accuratezza predittiva che l'interpretabilità biologica. Integrando una rigorosa pre-elaborazione, la convalida del modello, la spiegabilità e l'analisi delle sinergie farmacologiche, questo flusso di lavoro offre una base scalabile per la scoperta e il riposizionamento traslazionale dei farmaci nel trattamento del cancro al seno.

Introduction

Il cancro al seno rimane il tumore più comunemente diagnosticato e la seconda causa di morte correlata al cancro tra le donne a livello globale¹. Solo negli Stati Uniti, rappresenta quasi il 30% di tutti i nuovi tumori maligni femminili, con oltre 280.000 nuovi casi diagnosticati ogni anno². Nonostante i progressi terapeutici, in particolare nei sottotipi HER2-positivi e positivi al recettore ormonale, la resistenza al trattamento e la recidiva rimangono sfide critiche, soprattutto per i sottotipi aggressivi come il carcinoma mammario triplo negativo (TNBC), che manca di terapie mirate ^3,4. Ciò sottolinea l'urgente necessità di una scoperta di farmaci orientata alla precisione per identificare agenti terapeutici efficaci e combinazioni su misura per i profili molecolari individuali. La scoperta di farmaci, tradizionalmente guidata da metodi sperimentali e per tentativi ed errori, ha visto una notevole accelerazione attraverso l'integrazione di tecniche di apprendimento automatico (ML) ^5,6. Il ML consente la modellazione di relazioni complesse e non lineari tra dati biomedici ad alta dimensione e può aiutare nell'identificazione del bersaglio, nella scoperta di biomarcatori, nella previsione della sensibilità ai farmaci e nella progettazione della terapia di combinazione ^7,8. Tuttavia, l'implementazione pratica di modelli di ML in oncologia deve affrontare diversi ostacoli, tra cui l'interpretabilità del modello, la riproducibilità, l'overfitting su set di dati sparsi e la generalizzazione tra i sottotipi di cancro ^9,10,11.

Per superare queste limitazioni, la ricerca recente si è concentrata sulla combinazione del deep learning per l'estrazione di caratteristiche con l'ensemble learning per una previsione robusta. Negli studi che hanno valutato più algoritmi, modelli come le reti neurali artificiali (ANN) hanno raggiunto livelli di precisione fino al 93,2%, superando classificatori convenzionali come Naïve Bayes e Decision Trees¹². Inoltre, le tecniche integrate di feature mining hanno scoperto geni driver chiave e bersagli molecolari attraverso database come GEO (Gene Expression Omnibus) e GSE45827, identificando fino a 1.700 geni differenzialmente espressi, alcuni dei quali mostrano interazioni farmacologiche note¹³. Inoltre, nuovi studi di riposizionamento dei farmaci hanno rivelato il potenziale di composti non oncologici come il calcitriolo di ridurre la vitalità delle cellule del cancro al seno in modo più efficace rispetto ai trattamenti standard come il neratinib, in particolare nelle linee cellulari HER2+¹⁴. Le indagini sulla via di segnalazione Akt hanno anche mostrato risultati promettenti nel superare la resistenza a trastuzumab, suggerendo il targeting della via molecolare come alternativa alla terapia centrata sul recettore^15,16. Tuttavia, nonostante questi progressi, un quadro sistematico e spiegabile in grado di prevedere i valori di risposta continua ai farmaci, classificare le combinazioni di farmaci efficaci e visualizzare le somiglianze farmacologiche rimane poco esplorato nella letteratura attuale. Molti modelli sono basati sulla classificazione o mancano di chiarezza traslazionale, soprattutto se applicati a set di dati di farmacogenomica del mondo reale.

La scoperta di farmaci e il processo decisionale possono essere migliorati dall'apprendimento automatico (ML), che offre strumenti per dati di alta qualità. Tutte le fasi della scoperta di farmaci, tra cui la convalida del bersaglio, l'identificazione dei biomarcatori e l'analisi degli studi clinici, possono trarre vantaggio dall'uso dell'apprendimento automatico. Anche l'interpretabilità e la riproducibilità dei risultati generati dal ML sono ostacoli¹⁷. La riduzione dei tassi di errore e l'accelerazione del processo possono essere ottenute affrontando questi problemi e aumentando la conoscenza delle variabili di convalida. Utilizzando algoritmi di apprendimento automatico, i ricercatori hanno valutato campioni di biopsia in varie fasi del cancro. L'accuratezza dei test è risultata elevata, con ANN 93,2%, Naïve Bayes (NB) 90,4%, Decision Tree (DT) 87,8% e RF 85,9%, secondo i risultati. Un totale di 350 geni predetti e 164 geni differenzialmente espressi sono stati trovati combinando il database GEO di Rakhshaninejad et al.¹⁸. Nel set di dati combinato, l'algoritmo Binary Grey Wolf Optimization with Simulated Annealing Ensemble (BGWO_SA_Ens) ha trovato 1404 geni, mentre nel set di dati GSE45827 ne ha trovati 1710. Sono stati trovati circa 35 geni superiori, insieme ai loro ruoli in percorsi importanti e alle relazioni tra geni superiori e farmaci antitumorali. Per trovare i geni bersaglio della via di segnalazione della sovraespressione del recettore del fattore di crescita epidermico (EGFR (EGFR) e i loro familiari correlati, sono state condotte indagini di rete molecolare da Nagaraj et al.¹⁹ Un farmaco chiamato calcitriolo, che è autorizzato a trattare condizioni non correlate al cancro, aveva forti affinità di legame con ciascuno dei quattro recettori. Secondo in vitro studi di citotossicità, il calcitriolo ha ridotto la vitalità delle cellule SK-BR-3 in modo dose-dipendente, indicando una citotossicità superiore e una ridotta proliferazione delle cellule di cancro al seno rispetto a neratinib. Jernström et al. ha suggerito una via di segnalazione Akt attiva e farmacologica.²⁰ che due linee cellulari insensibili a trastuzumab rispondevano a un inibitore della chinasi Akt1/2. Invece di concentrarsi sull'amplificazione o l'espressione di HER2, lo studio raccomanda di mirare alla via di segnalazione Akt e di prendere in considerazione gli aspetti molecolari quando si prendono decisioni terapeutiche. Il trenta per cento dei nuovi tumori maligni femminili negli Stati Uniti sono tumori al seno, il che lo rende la malattia maligna più frequente tra le donne. L'obiettivo di Witt e Tollefsbol²¹ era quello di sviluppare uno strumento fondamentale che avrebbe aiutato i ricercatori a selezionare una linea cellulare di cancro al seno da utilizzare in esperimenti di xenotrapianto, prevenzione del cancro e scoperte epigenetiche, tra gli altri campi. Vengono inoltre trattati i dibattiti sulla provenienza di specifiche linee cellulari di cancro al seno e sui vantaggi dell'impiego di xenotrapianti derivati da pazienti (PDX) rispetto a xenotrapianti derivati da cellule (CDX). L'uso di tecniche di previsione dei farmaci per fornire nuove ipotesi di scoperta di farmaci è stato esaminato in Gruener et al.²², con particolare attenzione al carcinoma mammario triplo negativo (TNBC). Sulla base dei dati del trascrittoma della linea cellulare, sono stati costruiti modelli di apprendimento automatico della risposta ai farmaci e quindi applicati ai dati del tumore del paziente. I risultati hanno dimostrato che l'inibitore di Wee1 AZD-1775 aveva un'azione preferenziale nel TNBC e che le mutazioni di TP53 erano fortemente legate alla sua efficacia. Al fine di prevedere interazioni farmaco-bersaglio sconosciute nella ricerca sul cancro al seno, Song et al²³ presentare un approccio basato sulle caratteristiche denominato Pseudo Position-Specific Physicochemical Property-Derived Composition for Drug-Target Interaction Prediction (PsePDC-DTIs), che utilizza sequenze proteiche, il coefficiente DCCA (Deep Canonical Correlation Analysis) e un descrittore di impronte digitali molecolari. La tecnica prevede i DTI su quattro set di dati gold standard utilizzando un classificatore di foreste casuali e gestisce i dati sbilanciati utilizzando SMOTE. Inoltre, il modello utilizza i geni di rischio della ricerca genetica sull'intero genoma per studiare nuovi bersagli per la terapia del cancro al seno. La superiorità e la validità del modello sono dimostrate dai dieci possibili DTI che offre per la terapia. Dal dieci al venti percento dei casi di cancro al seno sono carcinoma mammario triplo negativo (TNBC). Attualmente non esistono terapie mirate per il TNBC, nonostante i progressi nei trattamenti con HER2+ e recettore ormonale+²⁴. Sebbene l'EGFR sia espresso dalla maggior parte dei pazienti, i primi studi non hanno riscontrato alcuna attività distinguibile. I futuri trattamenti sperimentali per il TNBC sono suggeriti da recenti scoperte e progressi clinici²⁵.

Nonostante la crescente integrazione dell'apprendimento automatico nella scoperta di farmaci, i modelli attuali spesso mancano di interpretabilità e riproducibilità, limitandone l'applicazione traslazionale. Mentre gli studi precedenti hanno esplorato l'accuratezza della classificazione e l'estrazione genica, pochi hanno previsto sistematicamente la sensibilità continua ai farmaci (come LN_IC50) utilizzando modelli ibridi interpretabili. Inoltre, la combinazione di tecniche di riduzione della dimensionalità con regressori robusti rimane poco esplorata nel contesto del trattamento del cancro al seno. Questo studio affronta questa lacuna introducendo e valutando una strategia a doppia pipeline - XGBoost e Autoencoder-XGBoost - per la previsione ad alta fedeltà della risposta ai farmaci, insieme a strumenti di spiegabilità e mappatura delle sinergie per l'applicabilità clinica nel mondo reale.

Protocol

1. Acquisizione di dataset

1. Scarica i dati sulla sensibilità ai farmaci da GDSC (https://www.cancerrxgene.org/downloads/drug_data). Un riepilogo del set di dati utilizzato è fornito nella Tabella 1. I file utilizzati sono gdsc_drug_data.csv (risposta ai farmaci), gdsc_expression_data.csv (espressione genica) e gdsc_cell_metadata.csv (informazioni sulla linea cellulare).
   Vedere la Figura 1 per un esempio della struttura del set di dati utilizzata in questo flusso di lavoro.
2. Filtrare il set di dati per includere solo le linee cellulari di cancro al seno utilizzando Python (libreria Pandas).
   1. Seleziona i record in cui la colonna TCGA_DESC è uguale a "Seno".
   2. Estrarre i valori CELL_LINE_NAME corrispondenti.
   3. Fare riferimento al Codice supplementare 1 (File supplementare 1) per l'implementazione.
      NOTA: la limitazione del set di dati alle linee cellulari di cancro al seno garantisce l'addestramento del modello specifico del dominio e migliora la validità biologica. Il set di dati utilizzato in questo studio è stato recuperato dal database Genomics of Drug Sensitivity in Cancer (GDSC) e le sue caratteristiche principali sono presentate nella Tabella 2.

2. Pre-elaborazione dei dati

1. La pipeline di pre-elaborazione:
   1. Codifica variabili categoriche come DRUG_ID, CELL_LINE_NAME e TARGET_PATHWAY utilizzando LabelEncoder per convertirle in formati basati su numeri interi adatti per l'input XGBoost.
   2. Normalizza le caratteristiche numeriche, inclusi i dati di espressione genica, le alterazioni del numero di copie (CNA) e le caratteristiche di metilazione, utilizzando la standardizzazione del punteggio Z (StandardScaler) per garantire una media zero e una varianza unitaria.
   3. Rimuovi i campioni con più del 30% di funzioni mancanti.
   4. Imputa i valori mancanti rimanenti utilizzando la mediana di ciascuna rispettiva colonna di funzionalità con SimpleImputer(strategy='median').
   5. Applica la codifica one-hot alle variabili categoriche (DRUG_ID e TARGET_PATHWAY) utilizzando OneHotEncoder da scikit-learn.
   6. Esegui la riduzione della dimensionalità sulle caratteristiche di espressione genica utilizzando l'analisi delle componenti principali (PCA) per ridurre lo spazio delle caratteristiche preservando la varianza.
   7. Suddividere il set di dati pulito finale in set di addestramento (80%) e di test (20%) utilizzando train_test_split di scikit-learn, mantenendo la distribuzione delle coppie farmaco-cellula.
      NOTA: la logica dettagliata per ogni fase di pre-elaborazione e le dimensioni del set di dati risultanti sono discusse nella sezione Discussione.
2. Gestire le variabili categoriche
   1. Identifica le variabili categoriche (CELL_LINE_NAME, DRUG_NAME TARGET_PATHWAY) utilizzando Pandas.
   2. Applicare la codifica delle etichette a queste variabili utilizzando LabelEncoder di scikit-learn.
   3. Implementare questo passaggio a livello di codice, come illustrato nel codice supplementare 2 (file supplementare 1).
      NOTA: gli algoritmi di apprendimento automatico richiedono input numerici; La codifica delle etichette converte le variabili categoriche in formato intero mantenendo le distinzioni di classe.
3. Standardizza le caratteristiche numeriche
   1. Identifica le variabili numeriche attraverso l'espressione genica, l'alterazione del numero di copie (CNA) e le caratteristiche di metilazione.
   2. Applica StandardScaler per normalizzare le funzionalità a zero media e varianza unitaria.
      NOTA: la standardizzazione garantisce che tutte le caratteristiche numeriche contribuiscano equamente al modello riscalandole per avere una media zero e una varianza unitaria. In questo modo si evita che le funzionalità con scale più grandi dominino l'addestramento del modello e si migliora la convergenza negli algoritmi di ottimizzazione.
4. Trattare i valori mancanti
   1. Rileva le voci mancanti in tutte le funzionalità.
   2. Rimuovi i record con più del 30% di dati mancanti.
   3. Imputare i valori mancanti rimanenti utilizzando la strategia di imputazione mediana.
      NOTA: dati incompleti possono introdurre distorsioni e ridurre la robustezza del modello. La rimozione dei record gravemente mancanti garantisce l'affidabilità dei dati, mentre l'imputazione mediana fornisce un metodo stabile e resistente ai valori anomali per preservare le informazioni utilizzabili senza introdurre forti ipotesi distributive.
5. Dividi il set di dati
   1. Utilizzare un metodo automatizzato (ad esempio, train_test_split da sikit-learn) per dividere il set di dati pulito finale in sottoinsiemi di addestramento e test.
   2. Specifica un seme casuale (ad esempio, random_state=42) per garantire la riproducibilità.
   3. Allocare l'80% dei dati al set di training e il 20% al set di test.
   4. Fare riferimento al Codice supplementare 3 (File supplementare 1) per l'implementazione completa del codice.
      NOTA: la suddivisione dei dati in sottoinsiemi di training e test consente una valutazione imparziale della generalizzabilità del modello.

3. Framework di modellazione

1. Definire l'obiettivo di regressione
   1. Inquadrare l'attività di previsione come un problema di regressione per stimare il logaritmo naturale della concentrazione inibitoria semi-massima (LN_IC50) per ogni coppia farmaco-linea cellulare.
   2. Scegliere LN_IC50 come variabile di destinazione per stabilizzare la varianza e migliorare il modello.
      NOTA: La trasformazione di IC50 in LN_IC50 riduce l'asimmetria e migliora le prestazioni del modello.
2. Treno XGBoost Regressor (Modello 1)
   1. Scegliete XGBoost come modello principale per le sue ottime prestazioni su set di dati farmacogenomici strutturati e per la capacità di modellare le interazioni delle caratteristiche non lineari con la regolarizzazione per prevenire l'overfitting.
   2. Inizializzare il modello a livello di codice utilizzando la classe XGBRegressor dalla libreria xgboost. Specificare gli iperparametri ottimizzati (velocità di apprendimento, profondità massima, numero di stimatori e seme casuale) identificati attraverso la convalida incrociata.
   3. Addestra il modello sul sottoinsieme di addestramento (X_train, y_train) utilizzando il metodo fit().
   4. Genera previsioni sul sottoinsieme di test (X_test) utilizzando il metodo predict().
   5. Valuta le prestazioni utilizzando l'errore quadratico medio (MSE) e il punteggio R² con le funzioni mean_squared_error e r2_score di scikit-learn.
      NOTA: Fare riferimento al Codice supplementare 4 (File supplementare 1) per l'implementazione completa.
3. Considera modelli alternativi
   1. Valutare la robustezza della regressione vettoriale di supporto (SVR) in ambienti di dati di piccole dimensioni e ad alta dimensionalità.
   2. Valuta un ibrido Autoencoder-XGBoost per potenziali miglioramenti delle prestazioni attraverso l'estrazione profonda di caratteristiche latenti e la modellazione non lineare.
   3. Confronta le prestazioni tra i modelli utilizzando metriche di valutazione identiche e convalida incrociata.
      NOTA: SVR è stato escluso dai risultati finali a causa della minore accuratezza predittiva rispetto a XGBoost, mentre l'ibrido Autoencoder-XGBoost è stato mantenuto per il confronto tra gli approcci di deep learning e machine learning.
4. Modello 1: XGBoost Regressor
   1. Scegliete XGBoost come modello di base per le sue ottime prestazioni su dati biomedici strutturati, la sua capacità di modellare interazioni di caratteristiche non lineari e la sua regolarizzazione integrata che riduce l'overfitting.
   2. Configurare il modello XGBoost con iperparametri learning_rate = 0,05, max_depth = 6 e n_estimators = 100.
   3. Ottimizza gli iperparametri utilizzando la ricerca a griglia e convalida le prestazioni con la convalida incrociata 5fold.
   4. Eseguire il training del modello sul set di dati di training preparato (X_train, y_train).
   5. Valuta le prestazioni predittive utilizzando l'errore quadratico medio (MSE) e il punteggio R² calcolati con le funzioni mean_squared_error e r2_score di scikitlearn.
      NOTA: Studi precedenti²⁶ hanno dimostrato che XGBoost supera costantemente i modelli di deep learning su set di dati biomedici tabulari con costi computazionali inferiori.
5. Costruisci un autoencoder ibrido + modello XGBoost (modello 2)
   1. Progettazione di un autoencoder per la riduzione della dimensionalità non supervisionata
      NOTA: L'encoder comprime le funzioni di input in una rappresentazione latente a bassa dimensionalità. Il decodificatore ricostruisce l'input per ridurre al minimo l'errore di ricostruzione.
   2. Addestrare l'Autoencoder sulla matrice di funzionalità completa per estrarre le funzionalità latenti.
   3. Passa l'output dell'encoder (funzionalità latenti) come input a un regressore XGBoost, come mostrato nel codice supplementare 5A (file supplementare 1).
   4. Addestrare il regressore XGBoost sul set di funzionalità codificato con LN_IC50 come variabile di destinazione, come illustrato nel codice supplementare 5B (file supplementare 1).
   5. Valuta le prestazioni del modello utilizzando le stesse metriche del modello 1 per il confronto diretto.
      NOTA: Questo approccio ibrido sfrutta l'apprendimento di rappresentazione basato sul deep learning e la forte capacità di regressione di XGBoost, fornendo un vantaggio per i dati biologici ad alta dimensione.
6. Valutazione del modello
   1. Valuta il modello di regressione addestrato prevedendo i valori target utilizzando il metodo predict() sul set di dati di test (X_test).
   2. Calcola l'errore quadratico medio (MSE) per misurare la differenza quadratica media tra i valori di LN_IC50 previsti ed effettivi utilizzando mean_squared_error(y_test, y_pred) di scikit-learn.
      NOTA: Insieme, questi modelli combinano interpretabilità e precisione, formando un solido quadro per prevedere la sensibilità ai farmaci nella ricerca sul cancro al seno^27,28.
      
      dove y_i denota il vero LN_IC50 per l'i-esima coppia farmaco-cellula, è il corrispondente valore previsto e n è il numero totale di osservazioni. Per l'autoencoder, la perdita di ricostruzione è data da,
      
      dove X è la matrice delle caratteristiche di input, E(·) è la funzione encoder che mappa X a una rappresentazione latente e D(·) è la funzione decoder che ricostruisce X dallo spazio latente.
   3. Calcola il punteggio R² per determinare la proporzione di varianza nella variabile target spiegata dal modello utilizzando r2_score(y_test, y_pred) di scikit-learn.
   4. Registrare i valori MSE e R² calcolati per la creazione di report. I valori MSE e R² calcolati sono riassunti nella Tabella 3 per presentare chiaramente e confrontare direttamente le prestazioni dei diversi modelli.
   5. Interpretare le metriche di valutazione: un MSE più basso indica una maggiore accuratezza predittiva e un punteggio R² più vicino a 1 indica un potere esplicativo più forte e una migliore capacità di generalizzazione del modello.
7. Spiegabilità SHAP
   1. Installare e importare la libreria SHAP (import shap). Assicurarsi che la versione sia 0.41.0 per la riproducibilità.
   2. Inizializzare l'explainer SHAP utilizzando il modello XGBoost addestrato seguendo il codice supplementare 6 (File supplementare 1).
   3. Calcolare i valori SHAP per il set di dati di test per ottenere i punteggi di contributo alle funzionalità.
   4. Genera un grafico riepilogativo dell'importanza delle funzionalità globali per visualizzare quali funzionalità contribuiscono maggiormente alle previsioni.
   5. Crea una spiegazione di previsione individuale per un campione selezionato utilizzando il grafico a cascata SHAP.
   6. Interpreta i grafici per identificare le caratteristiche chiave che influenzano le previsioni. Come mostrato nella Tabella 4, le caratteristiche critiche includono TARGET_PATHWAY, DRUG_ID, CELL_LINE_NAME, proteina TARGET e Screen Medium, indicando che le proprietà specifiche del farmaco e della cellula influenzano in modo significativo le previsioni di risposta ai farmaci.
      NOTA: i valori SHAP sono stati calcolati utilizzando shap. TreeExplainer() per i modelli XGBoost. L'importanza globale delle caratteristiche è stata visualizzata utilizzando shap.summary_plot() e le spiegazioni per campione sono state generate con shap.dependence_plot() e shap.waterfall_plot() (SHAP v0.41.0) Come mostrato nella Tabella 4, le caratteristiche più influenti includevano TARGET_PATHWAY, DRUG_ID e CELL_LINE_NAME, indicando che sia le proprietà specifiche del farmaco che quelle specifiche della cellula erano fondamentali nel determinare la risposta al farmaco. Ulteriori contributi chiave sono stati la proteina TARGET e lo Screen Medium, sottolineando ulteriormente l'allineamento del modello con fattori rilevanti per il dominio nella farmacogenomica del cancro.
8. Sinergie e clustering dei farmaci
   1. Scarica i dati di sinergia
      1. Scarica i dati sulle sinergie delle combinazioni di farmaci dagli archivi disponibili pubblicamente:
         DrugComb:https://drugcomb.fimm.fi
         SynergyDB: https://synergy.bioinformatics.nl
   2. Unisci i dati di sinergia con la risposta prevista.
      1. Utilizzare le combinazioni farmaco-linea cellulare come chiavi univoche per unire i punteggi di sinergia scaricati (ZIP, Bliss, Loewe, HSA) con i valori di risposta ai farmaci previsti (LN_IC50).
      2. Garantire l'allineamento degli identificatori dei farmaci e dei nomi delle linee cellulari tra i set di dati prima dell'unione.
   3. Calcola i punteggi di sinergia basati su modello.
      1. Per ogni coppia di farmaci, calcolare l'efficacia prevista combinata utilizzando la media dei valori di LN_IC50 previsti dal modello individuale:
         
         Dove, Scomb denota il punteggio combinato di LN_IC50 previsto per una coppia di farmaci, è il LN_IC50 previsto per il farmaco 1.
      2. Classifica le combinazioni di farmaci in base ai punteggi di sinergia.
      3. Identificare le migliori combinazioni (ad es. Bortezomib + Romidepsina, Vinblastina + Dactinomicina) che mostrano i punteggi di sinergia più bassi, indicando un'efficacia prevista più elevata.
         NOTA: Un punteggio di sinergia più basso riflette un maggiore potenziale terapeutico previsto, rendendo queste coppie di farmaci candidate per un'ulteriore convalida sperimentale. Seguire i passaggi indicati nel codice supplementare 7A e nel codice supplementare 7B (file supplementare 1).
9. Classificazione sinergica e clustering basato su PCA
   1. Classifica le coppie di farmaci in base al punteggio di sinergia.
      1. Unisci i punteggi di sinergia (ZIP, Bliss, Loewe, HSA) con i valori di LN_IC50 previsti utilizzando combinazioni farmaco-linea cellulare come chiavi univoche.
      2. Calcola i punteggi di sinergia per ogni coppia di farmaci utilizzando i valori medi di LN_IC50 previsti:
      3. Classifica le coppie di farmaci in base ai punteggi di sinergia calcolati.
      4. Identificare le coppie di farmaci con i punteggi più bassi (più negativi) come potenziali combinazioni sinergiche (ad esempio, Bortezomib + Romidepsina, Vinblastina + Dactinomicina).
   2. Eseguire la PCA sulla matrice di risposta al farmaco.
      1. Costruire una matrice di risposta ai farmaci utilizzando i valori di LN_IC50 previsti con i farmaci come righe e le linee cellulari come colonne, seguendo i passaggi mostrati nel Codice Supplementare 8 (File Supplementare 1).
      2. Standardizzare la matrice utilizzando la normalizzazione zscore.
      3. Eseguire l'analisi delle componenti principali (PCA) con due componenti principali (n_components = 2) per ridurre la dimensionalità e catturare la varianza maggiore.
   3. Visualizzare i cluster PCA
      1. Traccia la proiezione PCA bidimensionale utilizzando Matplotlib o Seaborn.
      2. Confermare che farmaci con meccanismi d'azione simili (ad esempio, Docetaxel e Paclitaxel) si raggruppano insieme, convalidando la capacità del modello di catturare relazioni biologicamente significative.
   4. Stabilità del modello e bilanciamento delle funzionalità
      1. Filtrare le variabili categoriche poco frequenti durante la codifica per evitare problemi di sparsità.
      2. Ottimizza le velocità di apprendimento dell'autoencoder e includi livelli di dropout per evitare problemi di convergenza.
      3. Limita l'analisi SHAP alle 100 funzionalità principali per ridurre il sovraccarico di memoria e garantire l'efficienza computazionale.

Results

Questo studio si è concentrato sull'ottimizzazione della selezione dei farmaci e sulla previsione dell'efficacia combinatoria per il cancro al seno utilizzando modelli avanzati di apprendimento automatico. Il set di dati includeva un pannello curato e filtrato di linee cellulari di cancro al seno, metriche di sensibilità ai farmaci (LN_IC50, AUC, Z-Score) e descrittori molecolari come CNA, metilazione, espressione genica, descrittori tissutali e bersagli farmacologici. L'obiettivo primario era quello di prevedere la LN_I...

Discussion

Questo studio presenta una pipeline integrata di apprendimento automatico per adattarsi alla scelta del farmaco, prevedere combinazioni sinergiche e identificare le possibilità di riposizionamento del farmaco. I dati provenienti dal database GDSC e dai repository di sinergie (ad esempio, SynergyDB, DrugComb) sono stati integrati per curare un pannello completo di interazioni farmaco-linea cellulare, comprendente caratteristiche molecolari (ad esempio, espressione genica, alterazioni del ...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Autoencoder (modello di deep learning)	TensorFlow (Google)	https://www.tensorflow.org	Riduzione della dimensionalità e codifica delle caratteristiche per la modellazione della risposta ai farmaci
Bortezomib	Selleck Prodotti chimici	Episodio 1013	Farmaco utilizzato nell'analisi sinergica
Dactinomicina	Sigma-Aldrich	D1037	Farmaco utilizzato nell'analisi sinergica
Docetaxel	Sigma-Aldrich	D1080	Farmaco utilizzato per la validazione del clustering basata su meccanismi
Libreria Matplotlib	Indice dei pacchetti Python (PyPI)	https://matplotlib.org	Visualizzazione e tracciatura dei dati in Python
Libreria NumPy	Indice dei pacchetti Python (PyPI)	https://numpy.org	Calcolo numerico e operazioni matriciali
Paclitaxel	Sigma-Aldrich	T7191	Farmaco utilizzato per la validazione del clustering basata su meccanismi
Biblioteca Pandas	Indice dei pacchetti Python (PyPI)	https://pandas.pydata.org	Manipolazione ed elaborazione dei dati
Pitone 3.10	Fondazione del software Python	https://www.python.org	Linguaggio di programmazione principale
Romidepsina	Selleck Prodotti chimici	S3020	Farmaco utilizzato nell'analisi sinergica
Libreria Scikit-learn	Indice dei pacchetti Python (PyPI)	https://scikit-learn.org	Strumenti di modellazione e pre-elaborazione dell'apprendimento automatico
Biblioteca Seaborn	Indice dei pacchetti Python (PyPI)	https://seaborn.pydata.org	Visualizzazione dei dati e tracciamento statistico
Libreria SHAP	Indice dei pacchetti Python (PyPI)	https://shap.readthedocs.io	Interpretabilità del modello di intelligenza artificiale spiegabile
Dati sinergici (DrugComb)	FIMM, Finlandia	https://drugcomb.fimm.fi	Set di dati di riferimento sulle sinergie farmacologiche
Dati di sinergia (SynergyDB)	Università di Groningen	https://synergy.bioinformatics.nl	Set di dati di riferimento sulle sinergie farmacologiche
TensorFlow 2.11	Alessio	https://www.tensorflow.org	Implementazione del modello di deep learning di Autoencoder
Vinblastina	Sigma-Aldrich	V1377	Farmaco utilizzato nell'analisi sinergica
Libreria XGBoost	Indice dei pacchetti Python (PyPI)	https://xgboost.readthedocs.io	Modellazione della regressione con boosting del gradiente