Machine learning approach informs biology of cancer drug response.
Machine learning approach informs biology of cancer drug response.
复制标题
机器学习方法为癌症药物反应的生物学提供信息。
DOI：
10.1186/s12859-022-04720-z
复制
发表时间：
2022-05-17
影响因子：
3
通讯作者：
Dupuy, Adam J.
中科院分区：
文献类型：
--
作者：
Zhu, Eliot Y.;Dupuy, Adam J.
大多数抗癌药物的作用机制尚不清楚。大规模的药物基因组癌细胞系数据集为获取这一知识提供了丰富的资源。在这里，我们提出了一种分析策略，用于使用公开可用的药物基因组癌细胞系数据来揭示有助于药物反应的生物学途径。我们提出了一种定制的基于机器学习的方法来识别参与癌症药物反应的生物路径。我们通过对Gpx4的抑制剂ML210的泛癌分析和对BRAFV600抑制剂的黑色素瘤重点分析来测试我们方法的有效性。我们应用我们的方法来揭示微管抑制剂耐药的决定因素。我们的方法分别在ML210和BRAF抑制剂反应的背景下涉及脂质代谢和rac1/细胞骨架信号。这些发现与目前人们对这些药物如何起作用的认识是一致的。对于微管抑制物，我们的方法暗示Notch和Akt是与反应相关的信号通路。我们的结果表明，结合知情的特征选择和机器学习算法在理解癌症药物反应方面是有用的。网上版载有补充材料，可在10.1186/s12859-022-04720-z查阅。
The mechanism of action for most cancer drugs is not clear. Large-scale pharmacogenomic cancer cell line datasets offer a rich resource to obtain this knowledge. Here, we present an analysis strategy for revealing biological pathways that contribute to drug response using publicly available pharmacogenomic cancer cell line datasets. We present a custom machine-learning based approach for identifying biological pathways involved in cancer drug response. We test the utility of our approach with a pan-cancer analysis of ML210, an inhibitor of GPX4, and a melanoma-focused analysis of inhibitors of BRAFV600. We apply our approach to reveal determinants of drug resistance to microtubule inhibitors. Our method implicated lipid metabolism and Rac1/cytoskeleton signaling in the context of ML210 and BRAF inhibitor response, respectively. These findings are consistent with current knowledge of how these drugs work. For microtubule inhibitors, our approach implicated Notch and Akt signaling as pathways that associated with response. Our results demonstrate the utility of combining informed feature selection and machine learning algorithms in understanding cancer drug response. The online version contains supplementary material available at 10.1186/s12859-022-04720-z.
登录
查看更多内容
影响因子：
64.5
作者：
Dixon SJ;Lemberg KM;Lamprecht MR;Skouta R;Zaitsev EM;Gleason CE;Patel DN;Bauer AJ;Cantley AM;Yang WS;Morrison B 3rd;Stockwell BR
通讯作者：
Stockwell BR
影响因子：
16.6
作者：
Bleu M;Mermet-Meillon F;Apfel V;Barys L;Holzer L;Bachmann Salvy M;Lopes R;Amorim Monteiro Barbosa I;Delmas C;Hinniger A;Chau S;Kaufmann M;Haenni S;Berneiser K;Wahle M;Moravec I;Vissières A;Poetsch T;Ahrné E;Carte N;Voshol J;Bechter E;Hamon J;Meyerhofer M;Erdmann D;Fischer M;Stachyra T;Freuler F;Gutmann S;Fernández C;Schmelzle T;Naumann U;Roma G;Lawrenson K;Nieto-Oberhuber C;Cobos-Correa A;Ferretti S;Schübeler D;Galli GG
通讯作者：
Galli GG
影响因子：
56.9
作者：
Kustikova, O;Fehse, B;Baum, C
通讯作者：
Baum, C
影响因子：
64.5
作者：
Basu A;Bodycombe NE;Cheah JH;Price EV;Liu K;Schaefer GI;Ebright RY;Stewart ML;Ito D;Wang S;Bracha AL;Liefeld T;Wawer M;Gilbert JC;Wilson AJ;Stransky N;Kryukov GV;Dancik V;Barretina J;Garraway LA;Hon CS;Munoz B;Bittker JA;Stockwell BR;Khabele D;Stern AM;Clemons PA;Shamji AF;Schreiber SL
通讯作者：
Schreiber SL
通过递归特征选择从基线基因表达预测细胞系中的抗癌药物敏感性
影响因子：
3.8
作者：
Dong Z;Zhang N;Li C;Wang H;Fang Y;Wang J;Zheng X
通讯作者：
Zheng X