정밀 암의료에서 개별 환자의 다중오믹스(multiomics) 프로파일에 기반하여 암 약물 감수성을 정확히 예측하는 것은 매우 중요하다. 그러나 예측 모델의 개발은 입력 특징의 복잡한 상호작용(crosstalk)과 공개 데이터베이스에 포함된 내성 우세의 약물 반응 정보로 인해 어려움을 겪어 왔다. 본 연구에서는 베이지안 신경망을 기반으로 하고 소프트(supervised) 대조 정규화(contrastive regularization)로 제한한 새로운 다약물 반응 예측 프레임워크인 반응 인지 다중과제 예측(response-aware multitask prediction, RAMP)을 제안한다. 이질적인 네트워크에서 표현 학습 특징으로 네트워크 임베딩 벡터(network embedding vectors)를 활용하기 위해, 우리는 네트워크 임베딩 학습에 세포주-약물 반응 정보를 적용하는 반응 인지 음성 샘플링(response-aware negative sampling)을 활용한다. RAMP는 약물 반응 특징의 포괄적인 선택과 활용에 기반하여 학습된 반응 데이터의 불균형이 유발하는 예측 정확도 한계를 극복한다. Genomics of Drug Sensitivity in Cancer 데이터셋에 대해 학습했을 때, RAMP는 수신자 조작 특성 곡선(receiver operating characteristic curve) 아래 면적이 > 89%, 정밀도-재현율 곡선(precision-recall curve) 아래 면적이 > 59%, 점수가 > 52%를 달성하였으며, 균형 및 불균형 데이터셋 모두에서 이전에 개발된 방법들을 능가했다. 또한 RAMP는 공개 데이터베이스에 포함되지 않았던 많은 누락된 약물 반응을 예측했다. 본 결과는 RAMP가 고처리량(high-throughput) 암 약물 감수성 예측에 적합할 것이며, 암 약물 선택 과정의 안내에 유용함을 보여준다. RAMP의 Python 구현은 https://github.com/hvcl/RAMP 에서 제공된다.
*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.