Method Article

Yorumlanabilir Makine Öğrenimi Modellerini Kullanarak Meme Kanseri için Veriye Dayalı İlaç Keşfi Optimizasyonu

DOI:

10.3791/68705

⸱

September 12th, 2025

 ,  ,  ,  ,  ,  , 
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

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu protokol, meme kanserinde ilaç duyarlılığını tahmin etmek için XGBoost ve SHAP kullanan bir makine öğrenimi hattı sunar. İş akışı, güçlü ilaçları tanımlamak ve terapötik yanıtı etkileyen temel biyolojik faktörleri anlamak için veri ön işleme, hibrit modelleme, SHAP tabanlı yorumlama, sinerji puanlaması ve PCA kümelemesini içerir.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Meme kanseri dünya çapında en yaygın malignitelerden biri olmaya devam ediyor ve tümör heterojenliği ve ilaç direnci nedeniyle önemli terapötik zorluklar ortaya çıkarıyor. Bu çalışma, güçlü tek ajanları ve sinerjik ilaç kombinasyonlarını belirleme ikili hedefiyle, meme kanseri hücre dizilerinde ilaç duyarlılığını tahmin etmek için tekrarlanabilir, veriye dayalı bir makine öğrenimi protokolü sunmaktadır. Kanserde İlaç Duyarlılığının Genomiği'nden (GDSC) derlenmiş veri kümeleri kullanılarak iki tahmine dayalı yaklaşım uygulandı: bağımsız bir XGBoost regresörü ve hibrit bir Autoencoder-XGBoost boru hattı. Ön işleme, etiket kodlamayı, tek sıcak kodlamayı, Z-puanı standardizasyonunu, eksik değer atamayı ve PCA aracılığıyla boyut azaltmayı içeriyordu. Model değerlendirmesi, XGBoost'un hibrit modele (MSE = 4,0322, R 2 = 0,4577) kıyasla üstün performans (MSE = 1,3789, R2 = 0,8145) elde ettiğini gösterdi. Yorumlanabilirlik, yerleşik farmakolojik mekanizmalarla uyumlu olarak TARGET_PATHWAY, DRUG_ID, TARGET ve CELL_LINE_NAME'yi temel öngörücü özellikler olarak tanımlayan SHapley Additive ExPlanations (SHAP) kullanılarak ele alındı. Model çıktılarının DrugComb ve SynergyDB verileriyle birleştirilmesinden elde edilen tahmin edilen sinerji puanları, Bortezomib + Romidepsin ve Paklitaksel + Bortezomib gibi umut verici ilaç çiftlerini vurguladı. Bu bulgular, benzer etki mekanizmalarına sahip biyolojik olarak ilgili ilaç gruplarını ortaya çıkaran PCA bazlı farmakolojik kümeleme ile daha da desteklendi. Önerilen protokol, hassas onkoloji araştırmaları için şeffaf ve uyarlanabilir bir çerçeve sağlayarak hem tahmin doğruluğu hem de biyolojik yorumlanabilirlik sağlar. Titiz ön işleme, model doğrulama, açıklanabilirlik ve ilaç sinerji analizini entegre eden bu iş akışı, meme kanseri tedavisinde translasyonel ilaç keşfi ve yeniden kullanımı için ölçeklenebilir bir temel sunar.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Meme kanseri, dünya çapında kadınlar arasında en sık teşhis edilen kanser ve kansere bağlı ölümlerin ikinci önde gelen nedeni olmaya devam etmektedir1. Yalnızca Amerika Birleşik Devletleri'nde, tüm yeni kadın malignitelerinin yaklaşık %30'unu oluşturur ve yılda 280.000'den fazla yeni vaka teşhis edilir2. Terapötik ilerlemelere rağmen, özellikle HER2 pozitif ve hormon reseptörü pozitif alt tiplerde, tedaviye direnç ve nüks, özellikle hedefe yönelik tedavilerden yoksun olan üçlü negatif meme kanseri (TNBC) gibi agresif alt tipler için kritik zorluklar olmaya devam etmektedir 3,4. Bu, etkili terapötik ajanları ve bireysel moleküler profillere göre uyarlanmış kombinasyonları belirlemek için hassas odaklı ilaç keşfine olan acil ihtiyacın altını çiziyor. Geleneksel olarak deneysel ve deneme yanılma yöntemleriyle yönlendirilen ilaç keşfi, makine öğrenimi (ML) tekniklerininentegrasyonu yoluyla dikkate değer bir hızlanma görmüştür 5,6. ML, yüksek boyutlu biyomedikal veriler arasında karmaşık, doğrusal olmayan ilişkilerin modellenmesini sağlar ve hedef tanımlama, biyobelirteç keşfi, ilaç duyarlılığı tahmini ve kombinasyon tedavisi tasarımına yardımcı olabilir 7,8. Bununla birlikte, makine öğrenimi modellerinin onkolojide pratik olarak konuşlandırılması, modelin yorumlanabilirliği, tekrarlanabilirliği, seyrek veri kümelerine aşırı uyum ve kanser alt tipleri arasında genellemedahil olmak üzere çeşitli engellerle karşı karşıyadır 9,10,11.

Bu sınırlamaların üstesinden gelmek için son araştırmalar, özellik çıkarma için derin öğrenmeyi sağlam tahmin için topluluk öğrenimi ile birleştirmeye odaklanmıştır. Birden fazla algoritmayı değerlendiren çalışmalarda, Yapay Sinir Ağları (YSA) gibi modeller %93,2'ye varan doğruluk seviyelerine ulaşarak Naïve Bayes ve Decision Trees12 gibi geleneksel sınıflandırıcılardan daha iyi performans gösterdi. Ek olarak, entegre özellik madenciliği teknikleri, GEO (Gene Expression Omnibus) ve GSE45827 gibi veri tabanları aracılığıyla temel sürücü genleri ve moleküler hedefleri ortaya çıkarmış ve bazıları bilinen ilaç etkileşimleri sergileyen 1.700'e kadar diferansiyel olarak eksprese edilmiş geni tanımlamıştır13. Ayrıca, yeni ilaç yeniden kullanım çalışmaları, kalsitriol gibi onkoloji dışı bileşiklerin, özellikle HER2+ hücre hatlarında neratinib gibi standart tedavilerden daha etkili bir şekilde meme kanseri hücre canlılığını azaltma potansiyelini ortaya koymuştur14. Akt sinyal yolu üzerine yapılan araştırmalar, trastuzumab direncinin üstesinden gelmede de umut vaat etmiş ve reseptör odaklı tedaviye alternatif olarak moleküler yol hedeflemesini önermiştir15,16. Ancak bu ilerlemelere rağmen, sürekli ilaç yanıt değerlerini tahmin edebilen, etkili ilaç kombinasyonlarını sıralayabilen ve farmakolojik benzerlikleri görselleştirebilen sistematik ve açıklanabilir bir çerçeve mevcut literatürde yeterince araştırılmamıştır. Birçok model, özellikle gerçek dünyadaki farmakogenomik veri kümelerine uygulandığında, ya sınıflandırmaya dayalıdır ya da translasyonel netlikten yoksundur.

İlaç keşfi ve karar verme, yüksek kaliteli veriler için araçlar sunan makine öğrenimi (ML) ile geliştirilebilir. Hedef doğrulama, biyobelirteç tanımlama ve klinik deneme analizi dahil olmak üzere ilaç keşfinin tüm aşamaları, makine öğreniminin kullanımından yararlanabilir. Makine öğrenimi tarafından oluşturulan sonuçların yorumlanabilirliği ve tekrarlanabilirliği de engellerdir17. Başarısızlık oranlarının azaltılması ve sürecin hızlandırılması, bu sorunların ele alınması ve doğrulama değişkenlerine ilişkin bilgilerin artırılmasıyla sağlanabilir. Araştırmacılar, makine öğrenimi algoritmalarını kullanarak kanserin çeşitli aşamalarındaki biyopsi örneklerini değerlendirdi. Bulgulara göre test doğrulukları YSA %93.2, Naïve Bayes (NB) %90.4, Karar Ağacı (DT) %87.8 ve RF %85.9 ile yüksekti. Rakhshaninejad ve arkadaşları tarafından GEO veri tabanının birleştirilmesiyle toplam 350 tahmin edilen gen ve 164 diferansiyel olarak eksprese edilen gen bulundu.18. Birleştirilmiş veri kümesinde, Simüle Edilmiş Tavlama Topluluğu (BGWO_SA_Ens) algoritması ile İkili Gri Kurt Optimizasyonu 1404 gen bulurken, GSE45827 veri kümesinde 1710 gen buldu. Yaklaşık 35 üstün gen, önemli yollardaki rolleri ve üstün genler ile antikanser ilaçları arasındaki ilişkilerle birlikte bulundu. Epidermal Büyüme Faktörü Reseptörü (EGFR (EGFR) aşırı ekspresyon sinyal yolundan ve bunlarla ilgili aile üyelerinden hedef genleri bulmak için Nagaraj ve arkadaşları tarafından moleküler ağ araştırmaları yapıldı.19 Kanserle ilgisi olmayan durumları tedavi etme yetkisine sahip olan kalsitriol adı verilen bir ilaç, dört reseptörün her biri ile güçlü bağlanma afinitelerine sahipti. Buna göre in vitro sitotoksisite çalışmaları, kalsitriol, SK-BR-3 hücre canlılığını doza bağlı bir şekilde azalttı, bu da neratinib ile karşılaştırıldığında üstün sitotoksisite ve meme kanseri hücrelerinin proliferasyonunun azaldığını gösterdi. Aktif ve ilaçlanabilir bir Akt sinyal yolu Jernström ve arkadaşları tarafından önerilmiştir.20 trastuzumab'a duyarsız olan iki hücre hattının bir Akt1/2 kinaz inhibitörüne yanıt verdiği. Çalışma, HER2 amplifikasyonuna veya ekspresyonuna odaklanmak yerine, Akt sinyal yolunun hedeflenmesini ve tedavi kararları verilirken moleküler yönlerin dikkate alınmasını önermektedir. ABD'deki yeni kadın malignitelerinin yüzde otuzu meme kanseridir ve bu da onu kadınlar arasında en sık görülen kötü huylu hastalık haline getirmektedir. Witt ve Tollefsbol'un hedefi21 araştırmacıların diğer alanların yanı sıra ksenograft deneylerinde, kanserin önlenmesinde ve epigenetik keşiflerde kullanılmak üzere bir meme kanseri hücre dizisi seçmelerine yardımcı olacak temel bir araç geliştirmekti. Ayrıca, spesifik meme kanseri hücre dizilerinin kökeni ve hücre kaynaklı ksenogreft (CDX) yerine hasta kaynaklı ksenogreft (PDX) kullanmanın avantajları hakkındaki tartışmalar da ele alınmaktadır. Yeni ilaç keşif hipotezleri sağlamak için ilaç tahmin tekniklerinin kullanımı Gruener ve ark.22üçlü negatif meme kanserine (TNBC) odaklanarak. Hücre hattı transkriptom verilerine dayanarak, ilaç yanıtının makine öğrenimi modelleri oluşturuldu ve daha sonra hasta tümör verilerine uygulandı. Bulgular, Wee1 inhibitörü AZD-1775'in TNBC'de tercihli etkiye sahip olduğunu ve TP53 mutasyonlarının etkinliği ile güçlü bir şekilde bağlantılı olduğunu gösterdi. Meme kanseri araştırmalarında bilinmeyen ilaç-hedef etkileşimlerini tahmin etmek için Song ve arkadaşları23 protein dizilerinden, Derin Kanonik Korelasyon Analizinden (DCCA) ve moleküler parmak izi tanımlayıcısından yararlanan İlaç-Hedef Etkileşim Tahmini (PsePDC-DTI'ler) için Sözde Pozisyona Özgü Fizikokimyasal Özellikten Türetilmiş Bileşim (PsePDC-DTI'ler) adı verilen özellik tabanlı bir yaklaşım sunar. Teknik, rastgele bir orman sınıflandırıcısı kullanarak dört altın standart veri kümesindeki DTI'leri tahmin eder ve SMOTE kullanarak dengesiz verileri işler. Ek olarak model, meme kanseri tedavisine yönelik yeni hedefleri araştırmak için genom çapında genetik araştırmalardan elde edilen risk genlerini kullanıyor. Modelin üstünlüğü ve geçerliliği, terapi için sunduğu on olası DTI ile kanıtlanmıştır. Meme kanseri vakalarının yüzde on ila yirmisi üçlü negatif meme kanseridir (TNBC). HER2+ ve hormonal reseptör+ tedavilerindeki gelişmelere rağmen şu anda TNBC için hedefe yönelik bir tedavi bulunmamaktadır24. EGFR hastaların çoğunluğu tarafından eksprese edilse de, erken çalışmalarda fark edilebilir herhangi bir aktivite bulunmadı. TNBC için gelecekteki deneysel tedaviler, son bulgular ve klinik gelişmeler tarafından önerilmektedir25.

Makine öğreniminin ilaç keşfinde artan entegrasyonuna rağmen, mevcut modeller genellikle yorumlanabilirlik ve tekrarlanabilirlikten yoksundur ve bu da çeviri uygulamalarını sınırlamaktadır. Önceki çalışmalar sınıflandırma doğruluğunu ve gen madenciliğini araştırmış olsa da, çok azı hibrit yorumlanabilir modeller kullanarak sürekli ilaç duyarlılığını (LN_IC50 gibi) sistematik olarak tahmin etmiştir. Ayrıca, boyut azaltma tekniklerinin sağlam regresörlerle kombinasyonu, meme kanseri tedavisi bağlamında yeterince araştırılmamıştır. Bu çalışma, gerçek dünyadaki klinik uygulanabilirlik için açıklanabilirlik ve sinerji haritalama araçlarıyla birlikte, ilaç yanıtının yüksek doğrulukta tahmini için ikili bir boru hattı stratejisi (XGBoost ve Autoencoder-XGBoost) sunarak ve değerlendirerek bu boşluğu gidermektedir.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Veri kümesi edinme

  1. GDSC'den (https://www.cancerrxgene.org/downloads/drug_data) ilaç duyarlılığı verilerini indirin. Kullanılan veri kümesinin bir özeti Tablo 1'de verilmiştir. Kullanılan dosyalar gdsc_drug_data.csv (ilaç yanıtı), gdsc_expression_data.csv (gen ekspresyonu) ve gdsc_cell_metadata.csv'dir (hücre hattı bilgisi).
    Bu iş akışında kullanılan veri kümesi yapısının bir örneği için Şekil 1'e bakın.
  2. Python (Pandas kitaplığı) kullanarak veri kümesini yalnızca meme kanseri hücre hatlarını içerecek şekilde filtreleyin.
    1. TCGA_DESC sütunun "Göğüs"e eşit olduğu kayıtları seçin.
    2. Karşılık gelen CELL_LINE_NAME değerlerini çıkarın.
    3. Uygulama için Ek Kod 1'e (Ek Dosya 1) bakın.
      NOT: Veri setini meme kanseri hücre dizileriyle sınırlamak, alana özgü model eğitimi sağlar ve biyolojik geçerliliği artırır. Bu çalışmada kullanılan veri seti, Kanserde İlaç Duyarlılığının Genomiği (GDSC) veri tabanından alınmıştır ve temel özellikleri Tablo 2'de sunulmuştur.

2. Veri ön işleme

  1. Ön işleme işlem hattı:
    1. DRUG_ID, CELL_LINE_NAME ve TARGET_PATHWAY gibi kategorik değişkenleri XGBoost girişine uygun tamsayı tabanlı formatlara dönüştürmek için LabelEncoder'ı kullanarak kodlayın.
    2. Sıfır ortalama ve birim varyansı sağlamak için Z-skoru standardizasyonunu (StandardScaler) kullanarak gen ekspresyonu verileri, kopya sayısı değişiklikleri (CNA) ve metilasyon özellikleri dahil olmak üzere sayısal özellikleri normalleştirin.
    3. 0'dan fazla eksik özelliğe sahip örnekleri kaldırın.
    4. SimpleImputer(strategy='median') ile ilgili her özellik sütununun ortancasını kullanarak kalan eksik değerleri atayın.
    5. scikit-learn'den OneHotEncoder'ı kullanarak kategorik değişkenlere (DRUG_ID ve TARGET_PATHWAY) tek sık erişimli kodlama uygulayın.
    6. Varyansı korurken özellik alanını azaltmak için Temel Bileşen Analizi (PCA) kullanarak gen ekspresyonu özelliklerinde boyut azaltma gerçekleştirin.













    2. figure-protocol-1
      figure-protocol-2
      figure-protocol-3




      1. figure-protocol-4
        figure-protocol-5

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu çalışma, gelişmiş makine öğrenimi modellerini kullanarak ilaç seçimini optimize etmeye ve meme kanseri için kombinatoryal etkinliği tahmin etmeye odaklandı. Veri seti, meme kanseri hücre hatları, ilaç duyarlılığı ölçümleri (LN_IC50, AUC, Z-Score) ve CNA, metilasyon, gen ekspresyonu, doku tanımlayıcıları ve ilaç hedefleri gibi moleküler tanımlayıcılardan oluşan küratörlü ve filtrelenmiş bir panel içeriyordu. Birincil amaç, hücre hatları boyunca tek tek ilaçların LN_IC50 (yarı maksimum inhibitör konsantrasyonun doğal gü...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu çalışma, ilaç seçimine uyum sağlamak, sinerjik kombinasyonları tahmin etmek ve ilacın yeniden kullanım olanaklarını belirlemek için entegre bir makine öğrenimi hattı sunmaktadır. GDSC veri tabanından ve sinerji havuzlarından (örneğin, SynergyDB, DrugComb) elde edilen veriler, moleküler özellikleri (örneğin, gen ekspresyonu, kopya sayısı değişiklikleri) ve farmakolojik yanıtları kapsayan kapsamlı bir ilaç-hücre hattı etkileşimleri panelini oluşturmak için entegre edildi

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarlar, bu çalışma ile ilgili herhangi bir çıkar çatışması olmadığını beyan ederler. Büyük dil modeli (LLM) teknolojisinin (OpenAI tarafından geliştirilen ChatGPT) makale hazırlamanın ilk aşamalarında sınırlı bir kapasitede kullanıldığını onaylıyoruz. Özellikle ChatGPT, daha sonra yazarlar tarafından iyileştirilen, doğrulanan ve tamamen yeniden yazılan kavramsal çerçevelerin fikir üretimi ve ön beyin fırtınası için kullanıldı. Tüm temel bilimsel içerik, veri analizi, yorumlama ve nihai taslak hazırlama yalnızca yazarlar tarafından gerçekleştirilmiştir. ChatGPT'den elde edilen çıktılar, derginin şeffaflık ve etik kurallarına uygun olarak dahil edilmeden önce doğruluk, tutarlılık ve bütünlük açısından eleştirel bir şekilde incelendi. Tüm yazarlar makalenin son halini gözden geçirmiş ve onaylamıştır ve bu yayının içeriğini etkileyecek şekilde yorumlanabilecek hiçbir finansal, kişisel veya profesyonel ilişki olmadığını onaylamıştır.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarlar, bu araştırmayı yürütmek için gerekli hesaplama kaynaklarını ve akademik ortamı kolaylaştıran Christ Üniversitesi Bilgisayar Bilimleri Bölümü tarafından sağlanan kurumsal desteği içtenlikle kabul ederler. Bu çalışma boyunca meslektaşlarımız ve mentorlarımız tarafından sağlanan işbirlikçi rehberlik ve teşvik için de minnettarız.

YAZAR KATKISI:
Dyuti Banerjee çalışmayı tasarladı, metodolojiyi tasarladı ve veri setinin küratörlüğünü yaptı. Sivaneasan Bala Krishnan ve Kamal Upreti, makine öğrenimi modellerini uyguladılar ve hesaplamalı analizi gerçekleştirdiler. Sumegh Shrikant Tharewal ve Uma Shankar, veri ön işlemeye, özellik mühendisliğine ve sonuçların doğrulanmasına katkıda bulundu. Pravin Kshirsagar, sinerji analizini ve PCA tabanlı kümelemeyi gerçekleştirdi. Manoj Kumar, literatür taramasına, bulguların yorumlanmasına ve el yazması taslağının hazırlanmasına yardımcı oldu. Tüm yazarlar makale revizyonuna katkıda bulunmuş, son halini onaylamış ve çalışmanın tüm yönlerinden sorumlu olmayı kabul etmiştir.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Otomatik Kodlayıcı (Derin Öğrenme Modeli)TensorFlow (Google)https://www.tensorflow.orgİlaç yanıt modellemesi için boyut azaltma ve özellik kodlama
BortezomibSelleck KimyasallarıS1013Sinerji analizinde kullanılan ilaç
DaktinomisinSigma-AldrichD1037 SerisiSinerji analizinde kullanılan ilaç
DosetakselSigma-AldrichD1080 SerisiMekanizma tabanlı kümeleme doğrulaması için kullanılan ilaç
Matplotlib KütüphanesiPython Paket Dizini (PyPI)https://matplotlib.orgPython'da veri görselleştirme ve çizim
NumPy KitaplığıPython Paket Dizini (PyPI)https://numpy.orgSayısal hesaplama ve matris işlemleri
PaklitakselSigma-AldrichT7191 SerisiMekanizma tabanlı kümeleme doğrulaması için kullanılan ilaç
Pandalar KütüphanesiPython Paket Dizini (PyPI)https://pandas.pydata.orgVeri işleme ve işleme
Python 3.10Python Yazılım Vakfıhttps://www.python.orgBirincil programlama dili
RomidepsinSelleck KimyasallarıS3020 SerisiSinerji analizinde kullanılan ilaç
Scikit-learn KütüphanesiPython Paket Dizini (PyPI)https://scikit-learn.orgMakine öğrenimi modelleme ve ön işleme araçları
Seaborn KütüphanesiPython Paket Dizini (PyPI)https://seaborn.pydata.orgVeri görselleştirme ve istatistiksel çizim
SHAP KütüphanesiPython Paket Dizini (PyPI)https://shap.readthedocs.ioAçıklanabilir AI modeli yorumlanabilirliği
Sinerji Verileri (DrugComb)FIMM, Finlandiyahttps://drugcomb.fimm.fiİlaç sinerjisi referans veri seti
Sinerji Verileri (SynergyDB)Groningen Üniversitesihttps://synergy.bioinformatics.nlİlaç sinerjisi referans veri seti
Tensör Akışı 2.11Google'dahttps://www.tensorflow.orgOtomatik kodlayıcı derin öğrenme modeli uygulaması
VinblastinSigma-AldrichV1377 SerisiSinerji analizinde kullanılan ilaç
XGBoost KütüphanesiPython Paket Dizini (PyPI)https://xgboost.readthedocs.ioGradyan artırıcı regresyon modellemesi

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Vamathevan, J., et al. Applications of machine learning in drug discovery and development. Nat Rev Drug Discov. 18 (6), 463-477 (2019).
  2. Dara, S., Dhamercherla, S., Jadav, S. S., Babu, C. M., Ahsan, M. J. Machine learning in drug discovery: a review. Artif Intell Rev. 55 (3), 1947-1999 (2022).
  3. Drug discovery for breast cancer based on big data analytics techniques. Constantine, R. M., Batouche, M. 5th International Conference on Information & Communication Technology and Accessibility (ICTA), Marrakech, Morocco, , (2015).
  4. Elbadawi, M., Gaisford, S., Basit, A. W. Advanced machine-learning techniques in drug discovery. Drug Discov Today. 26 (3), 769-777 (2021).
  5. Sarkar, C., et al. Artificial intelligence and machine learning technology-driven modern drug discovery and development. Int J Mol Sci. 24 (3), 2026(2026).
  6. Liao, M., et al. Small-molecule drug discovery in triple negative breast cancer: current situation and future directions. J Med Chem. 64 (5), 2382-2418 (2021).
  7. You, Y., et al. Artificial intelligence in cancer target identification and drug discovery. Signal Transduct Target Ther. 7 (1), 156(2022).
  8. Kolahi Azar, H., et al. The progressive trend of modeling and drug screening systems of breast cancer bone metastasis. J Bio Eng. 18 (1), 14(2024).
  9. Singh, A., et al. Coumarin as an elite scaffold in anti-breast cancer drug development: design strategies, mechanistic insights, and structure-activity relationships. Biomedicines. 12 (6), 1192(2024).
  10. Baptista, D., Ferreira, P. G., Rocha, M. Deep learning for drug response prediction in cancer. Brief Bioinform. 22 (1), 360-379 (2021).
  11. Priya, S., et al. Machine learning approaches and their applications in drug discovery and design. Chem Biol Drug Des. 100 (1), 136-153 (2022).
  12. Ferraro, E., et al. Accelerating drug development in breast cancer: new frontiers for ER inhibition. Cancer Treat Rev. 109, 102432(2022).
  13. Arvindekar, A., et al. Unveiling promising bioactives for breast cancer: a novel approach for herbal-based drug discovery. Phytochem Rev. 24, 3221-3264 (2024).
  14. Vatansever, S., et al. AI- and ML-aided drug discovery in CNS diseases: state-of-the-art and future directions. Med Res Rev. 41 (3), 1427-1473 (2021).
  15. Nayarisseri, A., et al. Artificial intelligence, big data, and machine learning approaches in precision medicine and drug discovery. Curr Drug Targets. 22 (6), 631-655 (2021).
  16. Eckhardt, B. L., et al. Strategies for the discovery and development of therapies for metastatic breast cancer. Nat Rev Drug Discov. 11 (6), 479-497 (2012).
  17. Optimizing drug discovery for breast cancer in a laboratory environment using machine learning. Borkhade, G., et al. 2024 International Conference on Wireless Communications Signal Processing and Networking (WiSPNET), Chennai, India, , (2024).
  18. Rakhshaninejad, M., et al. Refining breast cancer biomarker discovery and drug targeting through an advanced data-driven approach. BMC Bioinformatics. 25 (1), 33(2024).
  19. Nagaraj, B. S., et al. Vitamin D analog calcitriol for breast cancer therapy; an integrated drug discovery approach. J Biomol Struct Dyn. 41 (20), 11017-11043 (2023).
  20. Jernström, S., et al. Drug-screening and genomic analyses of HER2-positive breast cancer cell lines reveal predictors for treatment response. Breast Cancer Targets Ther. 9, 185-198 (2017).
  21. Witt, B. L., Tollefsbol, T. O. Molecular, cellular, and technical aspects of breast cancer cell lines as a foundational tool in cancer research. Life. 13 (12), 2311(2023).
  22. Gruener, R. F., et al. Facilitating drug discovery in breast cancer by virtually screening patients using in vitro drug response modeling. Cancers. 13 (4), 885(2021).
  23. Song, J., et al. The discovery of new drug-target interactions for breast cancer treatment. Molecules. 26 (24), 7474(2021).
  24. Costa, R., et al. Targeting EGFR in triple negative breast cancer: new discoveries and insights. Cancer Treat Rev. 53, 111-119 (2017).
  25. Cardoso, F., et al. Bortezomib (PS-341, Velcade) increases the efficacy of trastuzumab (Herceptin) in HER2-positive breast cancer cells synergistically. Mol Cancer Ther. 5 (12), 3042-3051 (2006).
  26. Santo, L., et al. Preclinical activity of a selective HDAC6 inhibitor, ACY-1215, in combination with bortezomib in multiple myeloma. Blood. 119 (11), 2579-2589 (2012).
  27. Martin, M., et al. Activity of docetaxel, carboplatin, and doxorubicin in patient-derived TNBC xenografts. Sci Rep. 11, 7064(2021).
  28. Iorio, F., et al. A landscape of pharmacogenomic interactions in cancer. Cell. 166 (3), 740-754 (2016).
  29. Kuenzi, B. M., et al. Predicting drug response and syn enhances antitumor efficacy in TNBC xenografts. Oncotarget. 10, 25184-25198 (2019).
  30. Kuenzi, B. M., et al. Predicting drug response and synergy using a deep learning model of human cancer cells. Cancer Cell. 38 (5), 672-684.e6 (2020).
  31. XGBoost: a scalable tree boosting system. Chen, T., et al. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, San Francisco, California, USA, , (2016).
  32. A unified approach to interpreting model predictions. Lundberg, S. M., Lee, S. -I. 31st Conference on Neural Information Processing Systems (NIPS 2017), Long Beach, CA, USA, , (2017).
  33. Preuer, K., et al. DeepSynergy: predicting anti-cancer drug synergy with deep learning. Bioinformatics. 34 (9), 1538-1546 (2018).
  34. Contextualizing explainable machine learning for clinical end use. Tonekaboni, S., et al. Proceedings of the 4th Machine Learning for Healthcare Conference, Ann Arbor, Michigan, , (2019).
  35. Barretina, J., et al. The Cancer Cell Line Encyclopedia enables predictive modelling of anticancer drug sensitivity. Nature. 483, 603-607 (2012).
  36. Malyutina, A., et al. Drug combination sensitivity scoring facilitates discovery of synergistic drug combinations in cancer. PLoS Comput Biol. 15 (5), e1006752(2019).
  37. Menden, M. P., et al. Machine learning prediction of cancer cell sensitivity to drugs. PLoS One. 8 (4), e61318(2013).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Breast CancerDrug DiscoveryMachine LearningDrug SensitivityXGBoost ModelAutoencoder PipelineDrug SynergySHAP AnalysisPrecision OncologyPharmacological Clustering

Related Articles