机构名称：
¥ 1.0
抗癌药物敏感性的预测是个性化医学的主要挑战。在本文中，CCLE被用作抗癌药物易感性研究的数据集，并选择了基因的数据数据和不同细胞系上的药物敏感性数据。同时，我们签署了一种称为PCA变压器（PCAT）的混合深度学习和机器学习方法，以预测抗癌药物的敏感性。首先，构建了PCA模型以在不同细胞系上提取基因表达数据中的重要变量，因此将约50,000的基因维度降低到500。然后，基于降低性降低基因表达值建立了神经网络变压器模型，以预测药物敏感性，通过均方根误差（RMSE）评估我们的模型的功能，并使用最佳的潜在变量来评估模型估计值。为了验证PCA变压器的性能，本文将变压器模型与前字典模型随机森林（RF）和支持向量回归（SVR）进行了比较。特定组合Include：PCA变压器，PCA + SVR，PCA + RF。最后，将结果与先前的研究方法（ISIR）的结果进行了比较和优化。最终预测结果表明，对于CCLE中的24种药物，该方法预测的平均RMSE为0.7564、6种药物的RMSE小于0.5（L-685458，PF2341066等）。）和18种药物小于1。预测方法的平均RMSE为0.8284（PCA + SVR），0.8757（PCA + RF）和ISIRS（0.9258），表明所提出的方法具有更强的概括能力。
基于深度学习方法预测抗癌药物敏感性
主要关键词
相关文件推荐
