A systematic assessment of deep learning methods for drug response prediction: from in vitro to clinical applications

计算机科学 机器学习 深度学习 人工智能 可预测性 可转让性 药物反应 药品 医学 统计 药理学 数学 罗伊特
作者
Bihan Shen,Fangyoumin Feng,Kunshi Li,Ping Lin,Liangxiao Ma,Hong Li
出处
期刊:Briefings in Bioinformatics [Oxford University Press]
卷期号:24 (1) 被引量:2
标识
DOI:10.1093/bib/bbac605
摘要

Drug response prediction is an important problem in personalized cancer therapy. Among various newly developed models, significant improvement in prediction performance has been reported using deep learning methods. However, systematic comparisons of deep learning methods, especially of the transferability from preclinical models to clinical cohorts, are currently lacking. To provide a more rigorous assessment, the performance of six representative deep learning methods for drug response prediction using nine evaluation metrics, including the overall prediction accuracy, predictability of each drug, potential associated factors and transferability to clinical cohorts, in multiple application scenarios was benchmarked. Most methods show promising prediction within cell line datasets, and TGSA, with its lower time cost and better performance, is recommended. Although the performance metrics decrease when applying models trained on cell lines to patients, a certain amount of power to distinguish clinical response on some drugs can be maintained using CRDNN and TGSA. With these assessments, we provide a guidance for researchers to choose appropriate methods, as well as insights into future directions for the development of more effective methods in clinical scenarios.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刚刚
一只盒子发布了新的文献求助10
刚刚
雪白的南晴完成签到,获得积分10
刚刚
1秒前
CipherSage应助zzz采纳,获得10
3秒前
天明完成签到,获得积分10
4秒前
聪慧雪糕发布了新的文献求助10
5秒前
7秒前
陈文娜完成签到,获得积分10
8秒前
10秒前
天天快乐应助聪慧雪糕采纳,获得10
10秒前
科研通AI2S应助无聊的蚊采纳,获得10
11秒前
青雉完成签到,获得积分10
13秒前
晚风完成签到,获得积分10
13秒前
junjun发布了新的文献求助10
14秒前
坚定莫茗完成签到,获得积分10
15秒前
emberflow完成签到,获得积分10
17秒前
崔哥完成签到,获得积分10
18秒前
20秒前
23秒前
24秒前
25秒前
似水流年发布了新的文献求助10
25秒前
霍师傅发布了新的文献求助10
26秒前
无聊的蚊发布了新的文献求助10
29秒前
zzz发布了新的文献求助10
31秒前
31秒前
betty完成签到,获得积分10
31秒前
Owen应助似水流年采纳,获得10
32秒前
haralee完成签到 ,获得积分10
32秒前
34秒前
betty发布了新的文献求助10
35秒前
35秒前
小蘑菇应助科研通管家采纳,获得80
37秒前
back you up应助科研通管家采纳,获得30
37秒前
烟花应助科研通管家采纳,获得10
37秒前
37秒前
39秒前
40秒前
猪猪hero应助啊是是是采纳,获得10
42秒前
高分求助中
【此为提示信息,请勿应助】请按要求发布求助,避免被关 20000
Continuum Thermodynamics and Material Modelling 2000
Encyclopedia of Geology (2nd Edition) 2000
105th Edition CRC Handbook of Chemistry and Physics 1600
Maneuvering of a Damaged Navy Combatant 650
Периодизация спортивной тренировки. Общая теория и её практическое применение 310
Mixing the elements of mass customisation 300
热门求助领域 (近24小时)
化学 材料科学 医学 生物 工程类 有机化学 物理 生物化学 纳米技术 计算机科学 化学工程 内科学 复合材料 物理化学 电极 遗传学 量子力学 基因 冶金 催化作用
热门帖子
关注 科研通微信公众号,转发送积分 3779759
求助须知:如何正确求助?哪些是违规求助? 3325232
关于积分的说明 10221975
捐赠科研通 3040376
什么是DOI,文献DOI怎么找? 1668788
邀请新用户注册赠送积分活动 798775
科研通“疑难数据库(出版商)”最低求助积分说明 758549