
-
生物通官微
陪你抓住生命科技
跳动的脉搏
DRIVE:基于元学习集成框架的癌症药物反应预测新方法
《Communications Biology》:An ensemble framework for robust drug response prediction and large-scale sensitivity profiling across cancers
【字体: 大 中 小 】 时间:2026年10月09日 来源:Communications Biology 5.8
编辑推荐:
摘要预测癌症对治疗的反应仍然十分困难,原因在于肿瘤具有高度异质性,且计算模型在面对不熟悉的药物或样本时往往表现不佳。研究表明,深度学习模型的准确率在不同分子输入、药物描述、模型设计和评估设置下存在显著差异,其中在模型遇到此前未见过的药物或不同数据集时,准确率下降最为明显。因此
预测癌症对治疗的反应仍然十分困难,原因在于肿瘤具有高度异质性,且计算模型在面对不熟悉的药物或样本时往往表现不佳。研究表明,深度学习模型的准确率在不同分子输入、药物描述、模型设计和评估设置下存在显著差异,其中在模型遇到此前未见过的药物或不同数据集时,准确率下降最为明显。因此,我们开发了药物反应集成与投票集成(Drug Response Integration and Voting Ensemble, DRIVE)框架——一种元学习框架,通过利用留一数据上的预测结果来整合多个模型。由九个模型组成的集成在预测准确率、药物排序和稳定性方面均优于单个模型及其他集成方法。我们将该框架实现为一个可复现的Nextflow工作流程,并利用它构建了一个涵盖癌细胞系、患者来源样本和化合物库的药物反应测量与预测资源库。在结直肠癌中,该框架能够识别出在细胞模型和动物模型中已获证实具有抗肿瘤活性的治疗方案。该方法为药物发现提供了一种可扩展的策略。