DPD-Cancer: L'IA con Attenzione sui Grafi Prevede l'Attività Anticancro nel Pannello NCI-60
DPD-Cancer è un framework di deep learning che utilizza l'attenzione sui grafi per prevedere l'efficacia anticancro di piccole molecole nel pannello NCI-60. Seguendo un rigoroso approccio di partizionamento dei dati basato sulla chimica durante l'addestramento, ha registrato un AUROC di 0,87 e un AUPRC di 0,73 sul set di test esterno. I modelli di regressione per 73 linee cellulari individuali hanno prodotto una mediana di Pearson's R di 0,64 e una mediana di RMSE di 0,67 per la previsione dei valori pGI50. Confrontato con pdCSM-Cancer, MLASM e ACLPred, DPD-Cancer ha ottenuto costantemente punteggi MCC superiori. Un'analisi di attribuzione basata sull'occlusione ha verificato che il modello identifica con successo le sottostrutture molecolari cruciali che influenzano le sue previsioni.
Fatti principali
- DPD-Cancer è un framework di deep learning con attenzione sui grafi per prevedere l'attività anticancro di piccole molecole nel pannello NCI-60.
- Addestrato con uno schema di partizionamento dei dati basato sulla chimica.
- Ha raggiunto un AUROC di 0,87 (IC 95% [0,86, 0,88]) e un AUPRC di 0,73 (IC 95% [0,70, 0,76]) sul set di test esterno.
- I modelli di regressione per linea cellulare su 73 linee hanno prodotto una mediana di Pearson's R di 0,64 e una mediana di RMSE di 0,67 per la previsione del pGI50.
- Confronti con pdCSM-Cancer, MLASM e ACLPred hanno mostrato punteggi MCC costantemente più alti.
- L'analisi di attribuzione basata sull'occlusione ha confermato che il modello identifica le sottostrutture molecolari chiave.
Entità
—