XiaoMi-AI文件搜索系统
World File Search SystemGDSC
GDSC年度报告2023-2024
团队的主要目标：VIT Pune的Google开发人员学生俱乐部（GDSC）旨在通过为开发人员提供工具，知识和社区支持，以增强他们对技术领域产生真正影响的工具，知识和社区支持。我们的主要目标围绕项目开发，重点是创建解决现实世界中挑战的解决方案，组织引人入胜的活动和讲习班，涵盖广泛的技术主题，并培养一个协作社区，成员可以在其中建立联系，学习和成长。通过我们的会议和持续的活动，我们努力激发和装备未来的创新者通过技术来推动积极的变化。
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/。
化疗药物 CX-5461 主要针对 TOP2B，在高危神经母细胞瘤中表现出选择性活性
D. PRISM 筛选的所有细胞系中 CX-5461 的 log 10（倍数变化）值的箱线图。倍数变化 163 表示 PRISM 测定中药物处理细胞与对照细胞的细胞活力差异，通过对每个细胞的唯一条形码进行测序估算。倍数变化越低，药物有效性越高。注意：GDSC 发现数据集中没有横纹肌样细胞系。166 E. 瀑布图显示代表神经母细胞瘤细胞系选择性的汇总分数，该分数针对 PRISM 中筛选的 148 种药物中的每种药物绘制（显示 PRISM 和 GDSC 筛选的药物），其中 y 轴 168 是观察到的分数，x 轴是药物等级。 169 F. 散点图显示 GDSC 中 CX-5461 的 MYCN 表达水平（x 轴）与 log 10 (IC 50 ) 值（y 轴）。这些点根据 TP53 突变状态着色。171 G. 蛋白质印迹显示使用 3 个独立 shRNA 敲低 CHP-134 细胞中的 MYCN 后 MYCN 蛋白水平。β -肌动蛋白用作上样对照。强力霉素，多西环素。173 H. 在使用 CX-5461 处理后，MYCN 敲低后的 CHP-134 细胞活力。用三个独立 MYCN shRNA 之一或阴性对照 shRNA 转导细胞。在含有 2 µg/ml 强力霉素的培养基中孵育 6 天后，用 CX-5461 处理细胞 3 天。用 MTS 测量细胞活力。数据代表3次独立实验的平均值±SD。 * P < 0.05, ** P < 0.01, 177 *** P < 0.001。 178 I. 条形图显示全基因组 CRISPR 筛选中 4 种独立 TP53 引导 RNA 的相对丰度（y 轴），无论是 DMSO 还是 CX-5461 处理的 CHP-134 神经母细胞瘤细胞系。 180 J. CX-5461 处理的细胞系中相对于 DMSO 的 Pre-rRNA 45S 表达（y 轴），通过 RT- 181 qPCR 确定，引物位于 rRNA 转录本的内部转录间隔区 (ITS) 区域。 182 数据代表 3 次独立实验的平均值±SD。 *** P < 0.001；ns，与 DMSO 183 对照无显着差异。 CX-5461 浓度：CHP-134，0.2 µM；IMR-5，0.05 µM；KELLY，2 µM；BE(2)-M17，10 µM；184 SK-NSH，2 µM；SK-N-FI，20 µM。185 K. EU 掺入试验评估整体新生 RNA 转录。CHP-134、IMR-5 和 KELLY 细胞 186 用 CX-5461 处理 24 小时。在细胞固定前 30 分钟（CHP-134、IMR-5）或 1 小时（KELLY）187 加入 1 mM EU。用 EU（红色）标记新生 RNA。用 DAPI（蓝色）染色细胞核。188 CX-5461 浓度：CHP-134，0.2 µM； IMR-5 0.05 µM；KELLY，2 µM。比例尺 = 10 μ m。189 L. 瀑布图显示 29 种神经母细胞瘤细胞系中 GDSC 中所有基因表达与 CX-5461 IC 50 倒数（y 轴）的 Spearman 相关性。y 轴上的值越高，基因的高表达与对 CX-5461 的敏感性越高。RNA-POL I 复合物特有的基因（与 RNA-POL II 不共享的基因）以红色突出显示。193 M。散点图显示 RNA-POL I 复合物 194 的 11 个基因的中位表达水平（x 轴）（其中 GDSC 中可获得基因表达估计值）与 29 个神经母细胞瘤细胞系 195 中的 CX-5461 log 10 (IC 50 )（y 轴）之间的相关性。196
正则化函数回归模型可实现转录组范围内癌症药物反应剂量依赖性关联研究
图 1. 用于识别基因与药物之间剂量依赖性关联的两阶段算法。来自药物筛选研究（例如 GDSC）的基因表达和药物反应数据用于拟合我们的剂量变化系数模型，以估计协变量与药物反应之间的剂量变化效应。应用两阶段变量筛选和选择算法对基因-药物关联进行排序。然后可以使用所选基因来预测目标药物的剂量依赖性反应。
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。
EPHA5 突变预测...的持久临床益处
TILs：肿瘤浸润淋巴细胞；PFS：无进展生存期；NSCLC：非小细胞肺癌；抗 CTLA-4：抗细胞毒性 T 细胞淋巴细胞-4；PD-L1：程序性死亡配体 1；RTK：Eph 受体酪氨酸激酶；NK：自然杀伤细胞；NGS：靶向下一代测序；DCB：持久临床益处；NDB：无持久益处；OS：总生存期；DFS：无病生存期；GDSC：癌症药物敏感性基因组学；KM：Kaplan-Meier；GO：基因本体论；KEGG：京都基因与基因组百科全书；TCGA：癌症基因组图谱；BER：碱基切除修复；HR：同源重组；MMR：错配修复；FA：范康尼贫血；NER：核苷酸切除修复；NHEJ：非同源末端连接； DSB：DNA 双链断裂；SSB：单链断裂；miRNA：微小RNA；
新加坡绿色和数字运输走廊
新加坡海事港口和港口管理局（MPA），洛杉矶港（POLA）和长滩港（Polb）港口（POLB）于2023年4月24日签署了谅解备忘录，以在新加坡和圣佩德罗湾港口建筑之间建立GDSC，以支持海上行业的脱碳和通过数字化提高效率。MOU签署了MPA首席执行官Teo Eng Dih先生，Pola执行董事Gene Seroka先生和Polb执行董事Mario Cordero先生，由Swaran先生见证，由Swaran先生，Singapore先生，当时的交通运输业和部长的贸易关系交通工具和部长Chee Hong Hong tat Tat，Singapore Manver tat kap tat kap kap kap rant kap kap rain tat kap in formant in formant in MPA董事长Niam Chiang Meng先生，Sharon Weissman女士，长滩港委员会主席Niam Chiang Meng先生和洛杉矶港口专员Edward Renwick先生。
YM155 适应的癌细胞系揭示药物
摘要：Survivin 是一种药物靶点，其抑制剂 YM155 是一种主要用于治疗高危神经母细胞瘤的候选药物。神经母细胞瘤细胞系 UKF-NB-3 的一个 YM155 适应亚系的研究结果表明，ABCB1（介导 YM155 外排）水平升高、SLC35F2（介导 YM155 摄取）水平降低、Survivin 水平降低和 TP53 突变表明 YM155 耐药。在此，对另外 10 个 YM155 适应 UKF-NB-3 亚系的研究仅证实了 ABCB1 和 SLC35F2 的作用。然而，细胞 ABCB1 和 SLC35F2 水平并不表明 YM155 幼稚细胞对 YM155 敏感，如来自癌症治疗反应门户 (CTRP) 和癌症药物敏感性基因组学 (GDSC) 数据库的药物反应数据所示。此外，耐药亚系具有显著的异质性。只有七个亚系产生了靶向耐药性，这表现为对 RNAi 介导的 survivin 耗竭的耐药性。这些亚系对其他抗癌药物的反应也各不相同。总之，内在异质性有限的癌细胞群在治疗后会形成各种耐药表型。因此，个性化治疗需要监测癌细胞在治疗后的演变。此外，生物标志物可以在获得性耐药环境中指示耐药性的形成，即使在内在耐药环境中无法预测。
多元贝叶斯结构化变量选择用于药物基因组学研究
很大一部分晚期实体瘤具有潜在可治疗的基因组变异体（Fontes Jardim等，2015; Le Tourneau等，2015； Von Hoff等，2010），但实际上很少有癌症患者受益于基因组知识治疗（Marquart等人，2018年）。因此，通过更好的患者分层和疗法的患者设计，有很大的潜力可以改善对个别患者的治疗的使用和利益。精确癌症医学旨在根据每个患者疾病的详细分子表征来指导癌症患者治疗。一种快速获得关注的策略是离体癌症药物敏感性筛查，该策略预示着对癌细胞系和患者衍生细胞中一系列潜在疗法的反应，并确定与药物反应相关的分子特征。研究，药物替代性和分子（多词），数据都可以使用的研究通常称为药物研究。在本文中，我们采用具有高维输入矩阵的多元（多响应）回归设置来分析药物基因组学数据，其中几种药物的敏感性是响应变量，分子（多）OMICS变量是输入特征。我们分析了癌症（GDSC）数据库中药物敏感性基因组学的数据（Garnett等，2012; Yang等，2013），其中包含来自药物敏感性筛选的结果，用于代表数百种泛滥癌症的癌症药物的癌症药物的结果。
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。⇤