XiaoMi-AI文件搜索系统
World File Search System抗癌
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。
团结抗癌
研究人员：Uwe Ackermann 副教授、Raef Boktor 博士（荣誉临床会员）、Zhipeng Cao 博士、Michael chao 副教授、Lawrence Cher 博士（荣誉 Cher）、Stephen 博士（荣誉临床会员）、Louise Constant（至 2023 年 6 月）、Fershad Foroud 教授、Elza Hawkes 副教授（临床科学家）、Benjamin Gloria 博士、Guo、Nick Nick Nick Hogen 教授、Nhi Huynh、Richard Khor 博士（荣誉临床会员）、Eng-Siew Koh 博士、Zhanqi Lu 博士、SIDDHAARTH MENON 博士、Sweet Ping ng 副教授（临床科学家）、Jodie Palmer 博士（淋巴瘤项目经理）、Kunthiti Pathmaraj 博士（Hophian 临床会员）、Aidan Seow、f sze tting lee（临床科学家）、Christian Wichmann 博士
抗癌药物综述
1.1. 卫生部药物咨询委员会（“委员会”）考虑了针对 HER2 靶向疗法（帕妥珠单抗、帕妥珠单抗加曲妥珠单抗固定剂量皮下注射、曲妥珠单抗 emtansine 和 tucatinib）治疗 HER2 阳性乳腺癌的技术评估所提交的证据。医疗效果机构 (ACE) 咨询了公共医疗机构的临床专家，进行了评估。所有药物的已发表临床和经济证据均根据其注册适应症进行考虑。卫生部肿瘤药物小组委员会 (ODS) 还获得了额外的专家意见，该小组委员会协助 ACE 确定正在评估的药物的临床价值，并根据现有的临床证据就这些药物的适当和有效使用提供临床建议。1.2. 根据当地临床专家和 ODS 成员的建议，目前没有临床需要评估此适应症，因此将 neratinib 用于早期 HER2 阳性乳腺癌成人患者的延长辅助治疗不在评估范围内。
抗癌药物综述
1.1. 卫生部药物咨询委员会（“委员会”）考虑了针对 HER2 靶向疗法（帕妥珠单抗、帕妥珠单抗加曲妥珠单抗固定剂量皮下注射、曲妥珠单抗 emtansine 和 tucatinib）治疗 HER2 阳性乳腺癌的技术评估所提交的证据。医疗效果机构 (ACE) 咨询了公共医疗机构的临床专家，进行了评估。所有药物的已发表临床和经济证据均根据其注册适应症进行考虑。卫生部肿瘤药物小组委员会 (ODS) 还获得了额外的专家意见，该小组委员会协助 ACE 确定正在评估的药物的临床价值，并根据现有的临床证据就这些药物的适当和有效使用提供临床建议。1.2. 根据当地临床专家和 ODS 成员的建议，目前没有临床需要评估此适应症，因此将 neratinib 用于早期 HER2 阳性乳腺癌成人患者的延长辅助治疗不在评估范围内。
