شناسایی محاسباتی سینرژی داروها در درمان سرطان

Abstract

چکیده

زمینه و هدف: دارودرمانی ترکیبی با اثر هم افزایی/افزودنی یک استراتژی درمانی قدرتمند برای بیماری های پیچیده مانند بدخیمی ها است. شناسایی ترکیبات هم افزایی با ترکیبات و ساختارهای مختلف مستلزم آزمایش تعداد زیادی از ترکیبات ترکیبی است. شناسایی عوامل شیمی درمانی سینرژیک از میان تعداد قابل توجه ترکیبات کاندید بسیار چالش برانگیز است. هدف: این مطالعه مدلی را برای پیش‌بینی ترکیب‌های دارویی هم افزایی با استفاده از شبکه عصبی عمیق بر روی رده‌های سلولی سرطانی و ویژگی‌های ژنومی و فیزیکوشیمیایی پیشنهاد می‌کند. روش‌ها: اساس کار بر روی اطلاعات داروها و اطلاعات ویژگی‌های ژنومی است که در شبکه ویژگی‌ها جمع‌آوری می‌شود. شبکه ویژگی‌ها تعامل بین ویژگی‌ها را تشکیل می‌دهد. سپس بردار ویژگی‌ها بر اساس تعامل بین داروها، خطوط سلولی و ویژگی‌ها استخراج می‌شود. در نهایت، بردارهای ویژگی برای دستیابی به نتایج پیش‌بینی هم افزایی به شبکه عصبی عمیق وارد می‌شوند. نتایج: مدل پیشنهادی با سایر روش‌های یادگیری ماشین مانند ماشین‌های تقویت گرادیان، جنگل‌های تصادفی و ماشین‌های بردار پشتیبان در مجموعه داده‌های هم افزایی در دسترس عموم مقایسه شد. استفاده از مدل برای طبقه بندی ترکیبات دارویی منجر به عملکرد پیش بینی بالای AUC 97/0درصد شد و بهترین عملکرد دقت 17/92 درصد بود. ما تصور می کنیم که مدل پیشنهادی می تواند ابزار ارزشمندی برای انتخاب ترکیبات دارویی هم افزایی جدید باشد. نتیجه‌گیری: در این مطالعه تأثیر ویژگی‌های ساختار شیمیایی دارو و ویژگی‌های فارماکوژنومیک در شناسایی ترکیب‌های هم افزایی دارویی مورد بررسی قرار گرفت. مدل پیش‌بینی ما ممکن است به کاهش فضای جستجو و تسریع در شناسایی ترکیب‌های دارویی هم افزایی مؤثر بالینی کمک کند.