研究人员开发CancerOmicsNet进行抗癌药物分析向学术界免费提供

近日一项新研究 发表在 Oncotarget 上，题为“ CancerOmicsNet：一种基于多组学网络的抗癌药物分析方法”。

路易斯安那州立大学的研究人员开发了 CancerOmicsNet——一种图神经网络模型，用于预测药物治疗后癌细胞系的生长速度。

CancerOmicsNet 比在欧几里得空间中运行的许多深度学习技术更先进，因为它直接从生物网络中提取知识，从而更充分地表示癌症等复杂疾病。

CancerOmicsNet 将多个异构数据（例如生物网络、基因组学、抑制剂分析和基因-疾病关联）集成到一个统一的图结构中。这种新方法利用了由蛋白质-蛋白质相互作用、差异基因表达、疾病-基因关联和药物抑制数据构建的紧凑型癌症特异性网络。

为了评估 CancerOmicsNet 的性能，研究人员通过从模型训练中移除源自特定组织的所有细胞系，然后分析这些细胞系的准确性，在组织水平上进行了交叉验证。

在这项研究中，研究人员在针对不同肿瘤组织的一系列交叉验证基准中仔细评估了 CancerOmicsNet 的普遍性。令人鼓舞的是，CancerOmicsNet 在组织水平上的交叉验证准确度明显高于其他方法在相同数据上测量的准确度。 

研究人员指出，CancerOmicsNet 的适用性目前仅限于激酶抑制剂，而替代方法也适用于其他类别的治疗方法。 

总体而言，CancerOmicsNet 在预测激酶靶向疗法对癌细胞生长的影响方面提供了高性能和所需的普遍性。获 取 更多前沿科技 研究 进展访问：https://byteclicks.com

CancerOmicsNet 可通过 https://github.com/pulimeng/CancerOmicsNet 向学术界免费提供。