机构名称：
¥ 1.0
动机：结合疗法已成为一种有力的治疗方式，以克服耐药性并提高治疗效果。然而，随着个人药物的数量，可能的药物组合数量的增加非常迅速，这使得在实践中无法进行全面的实验性筛查。机器学习模型提供了时间和成本良好的手段来帮助这一过程，以优先考虑最有效的药物组合，以进一步进行临床前和临床验证。然而，多种药物剂量和不同细胞环境中潜在相互作用模式的复杂性对药物组合效应的预测建模构成了挑战。结果：我们介绍了学习复杂的，高度时间柔性的方法，用于描述各种剂量和癌细胞膜的治疗剂组合的响应。该方法基于通过强大潜在张量重建的多项式回归。它结合了推荐的系统式功能，在不同上下文中索引响应值的数据张量以及化学和多摩s特征作为输入。我们证明，在预测性能和运行时间方面，Comboltr优于最先进的方法，并且即使在具有挑战性和实用的推理场景中也会产生高度准确的结果，在没有任何可用的组合和单层响应响应测量中，可以预测所有剂量 - 反应矩阵，并且在任何训练细胞系中都可以进行全新药物组合。可用性和实现：Comboltr代码可在https://github.com/aalto-ics-kepaco/comboltr上找到。联系人：tianduanyi.wang@aalto。fin或juho.rousu@aalto。补充信息：补充数据可在BreioNformatics Online获得。
通过潜在张量重建建模药物组合效应
主要关键词
相关文件推荐
