XiaoMi-AI文件搜索系统
World File Search SystemCCLE
交互式网络工具用于分析与癌细胞系的遗传特征相关的药物敏感性和抗性
广泛的治疗曲目已适用于肿瘤学家，包括放射性和化学疗法，小分子和单克隆抗体。但是，药物疗效可以受到使癌细胞逃脱治疗的遗传变化的限制。在这里，我们设计了一个网络工具，可促进癌症中药物敏感性基因组学（GDSC）数据库的数据分析，并在265种认可的化合物上与癌细胞系百科全书中的1001个细胞系（ccle，ccle，cbioportal）中的1001个细胞系有关的大量遗传变化进行了批准。WebTool计算一组遗传改变的耐药性比值比。它提供了分配给细胞信号通路的单个化合物或一组化合物的功效的结果。使用此网络工具，我们复制了已知的遗传驱动因素，并确定了新的候选基因，种系变体，共同享受和药物基因组耐药性和药物重新利用的药物基因组修饰剂。WebTool可用性：https：//tools.hornlab.org/gdsc/。
基于深度学习方法预测抗癌药物敏感性
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。
deepdra：使用多摩尼克数据集成与自动编码器进行重新利用
癌症治疗已成为当今世界上最大的挑战之一。使用不同的治疗方法针对癌症；基于药物的治疗结果显示出更好的结果。另一方面，为癌症设计新药是昂贵且耗时的。已经建议使用一些组合方法，例如机器学习和深度学习，以使用药物重新利用来解决这些挑战。尽管有望在重新利用癌症药物和预测反应中采用经典的机器学习方法，但深度学习方法的表现更好。本研究旨在开发一种深入学习模型，该模型可以根据多摩变数据，药物描述符和药物指纹预测癌症药物反应，并根据这些反应促进对药物的重新申请。为了降低多媒体数据的维度，我们使用自动编码器。作为多任务学习模型，自动编码器已连接到MLP。我们使用三个主要数据集对模型进行了广泛的测试：GDSC，CTRP和CCLE确定其功效。在多个实验中，我们的模型总体上优于现有的最新方法。与最先进的模型相比，我们的模型达到了令人印象深刻的AUPRC为0.99。此外，在跨数据库评估中，该模型在GDSC上进行了训练并在CCLE上进行了测试，它超过了先前的三项工作的表现，达到了0.72的AUPRC。总而言之，我们提出了一个深度学习模型，以优于当前有关概括的最新技术。我们的研究强调了高级深度学习的潜力，以提高癌症治疗精度。使用此模型，我们可以评估药物反应并探索药物的重新构成，从而发现新型癌症药物。
铂 - ac省剂在表达溶质载体Mate1（SLC47A1）
摘要：含有无环（1和3）和杂环（R）-3-氨基吡啶氨酸（2）和2-米诺吡啶（4）接头部分的铂 - acridine抗癌剂（PA）。与1相似，刚化的2显示了效力与SLC47A1（多药和毒素挤出蛋白1，MATE1）基因表达水平之间的强正相关，跨NCI-60癌细胞系。所有衍生物在HEPG2（肝脏），NCI-H460（肺）和MDA-MB-436（乳腺癌）中均显示出高水平的SLC47A1（癌细胞系百科全书，CCLE）。PAS比顺铂高350倍。在MATE1抑制测定中，在三种癌细胞系中观察到活性的显着降低（HEPG2低4000倍）。分子对接实验提供了对结构上不同的PAS与MATE1介导的转运的兼容性的见解。mate1是一个预测性标记和可操作的靶标，不论原始组织对PAS，都会使癌细胞敏感。
细胞到患者的机器学习转移方法揭示了替代剪接变体中的新型基底样乳腺癌预后标记
背景：乳腺癌是全球女性死亡的十大原因之一。约 20% 的患者被误诊，导致早期转移、治疗耐药和复发。许多临床和基因表达谱已成功用于将乳腺肿瘤分为 5 种主要类型，这些类型具有不同的预后和对特定治疗的敏感性。不幸的是，这些谱未能将乳腺肿瘤细分为更多亚型，以提高诊断率和存活率。可变剪接正在成为一种新的高度特异性生物标志物来源，用于将肿瘤分为不同等级。利用乳腺癌细胞系 (CCLE) 和乳腺癌肿瘤 (TCGA) 中的大量公共转录组学数据集，我们已经解决了可变剪接变体对高度侵袭性乳腺癌进行细分的能力。
癌细胞系中代谢途径依赖性的景观
图1。基因表达和CRISPR基因依赖性的整合以鉴定代谢途径依赖性。a）示意图概述了遗传途径依赖性富集分析（遗传PDEA）的方法。CCLE的癌细胞系首先通过培养类型（粘附，悬浮液）和培养基（RPMI，DMEM）进行分层，然后使用单样本GSEA（SSGSEA）推断其代谢途径活性。将所得的途径活性与基因依赖性整合在一起，以评估与代谢途径活性的关联。b-c）模拟数据（请参阅方法）用于评估遗传PDEA方法的灵敏度。热图代表每个添加每个梯度时的显着结果百分比。添加到表达梯度中的值与添加到依赖梯度的值相比，相关系数和遗传性PDEA结果稍强。
使用基于深度学习的图正则化矩阵分解从头预测细胞药物敏感性
人工智能 (AI) 在精准肿瘤学中的应用通常涉及根据之前的训练细胞样本对这些药物的反应来预测患者的癌细胞（之前 AI 模型未见过）是否会对一组现有的抗癌药物中的任何一种产生反应。为了扩大抗癌药物的范围，AI 还被用于重新利用尚未在抗癌环境中测试过的药物，即从头预测新药对以前未见过的癌细胞的抗癌作用。在这里，我们报告了一个在统一的 AI 框架中解决上述两个任务的计算模型。我们的模型称为基于深度学习的图正则化矩阵分解 (DeepGRMF)，它集成了神经网络、图模型和矩阵分解技术，利用来自药物化学结构、它们对细胞信号系统的影响和癌细胞细胞状态的各种信息来预测细胞对药物的反应。 DeepGRMF 学习药物的嵌入，以便具有相似结构和作用机制 (MOA) 的药物在嵌入空间中紧密相关。同样，DeepGRMF 还学习细胞的表示嵌入，使得具有相似细胞状态和药物反应的细胞紧密相关。在癌症药物敏感性基因组学 (GDSC) 和癌细胞系百科全书 (CCLE) 数据集上对 DeepGRMF 和竞争模型的评估显示了其在预测性能方面的优势。最后，我们表明该模型能够预测化疗方案对癌症基因组图谱 (TCGA) 数据集中肺癌患者患者结果的有效性。⇤
CRABP2（细胞视黄酸结合蛋白2D）
目的：CRABP2（Cellula Retinoi Aci Bindin Protei 2D）过表达可促进多种肿瘤进展，但对肺腺癌（LUAD）中CRABP2的综合分析研究较少。方法：利用TCGA、GEO、GEPIA2、UALCAN、Kaplan Meier plotter、LinkedOmics、TIMER、CCLE、Metascape等大型公共数据库和在线分析工具进行大数据挖掘分析，利用RNA干扰技术、CCK8检测、流式细胞术及凋亡检测、Western blot等进行体外实验。结果：研究通过对丽水市中心医院640例LUAD患者及640例健康对照血浆样本的分析，发现早期（IA期）LUAD患者血浆中CRABP2的表达水平高于对照组（平均31.6587±13.8541 ng/mL vs. 13.9328±5.5805 ng/mL，p<0.0001）。受试者工作特征曲线显示，CRABP2对预测早期LUAD具有一定的准确性，灵敏度为70.98%，特异度为94.53%，临界值为0.6551 ng/mL，曲线下面积为0.839（95%CI：0.817-0.859，p<0.0001）。与正常肺组织相比，CRABP2在LUAD中显著高表达（p<0.05）。LUAD中CRABP2高表达提示LUAD患者总生存期（95%CI：1.04-1.46，HR：1.23，p=0.018）和首次进展（95%CI：1.10-1.65，HR=1.35，p=0.0032）预后不良。CRABP2可能通过促进G2/M期转变、抑制细胞凋亡、参与免疫微环境调控等作用，促进LUAD的进展。CRABP2高表达会抑制免疫效应细胞的募集，促进免疫抑制细胞比例的增加，从而促进LUAD的进展。 LUAD中CRABP2的低表达可能使CD274(PD-L1)、HAVCR2和PDCD1LG2(PD-L2)的表达增强，而CRABP2的高表达可能使CTLA4、LAG3、PDCD1(PD-1)、TIGIT和IGSF8的表达增强。结论：CRABP2可能是LUAD诊断、治疗及预后的重要生物标志物。LUAD中CRABP2高表达的患者使用针对CD274、HAVCR2和PDCD1LG2的抑制剂治疗疗效可能不理想，而使用针对CTLA4、LAG3、PDCD1、TIGIT和IGSF8的抑制剂治疗疗效可能更好。大多数CRABP2高表达的癌症患者可能受益于免疫检查点抑制剂治疗。我们的研究结果为LUAD的诊断和治疗奠定了积极基础。