Enhancing drug and cell line representations via contrastive learning for improved anti-cancer drug prioritization

https://arxiv.org/abs/2310.13725

1 本研究の学術的背景，研究課題の核心をなす学術的「問い」は？
本研究の学術的背景は、癌の複雑な性質や治療への変動応答性から、組織学的シーケンス解析に基づいた高精度な医療が現在の標準となっていることです。しかし、各患者ごとに生成されるデータ量が多いため、最適な治療法を迅速に特定することが困難です。さらに、限られたデータの可用性が、効果的な薬剤-細胞ラインのパターンを学習するための計算手法の能力を妨げています。したがって、本研究の核心的な学術的問いは、効果的な薬剤-細胞ラインのペアに関連する関係構造を維持することで、薬剤と細胞ラインの表現を向上させるために対比学習の使用を提案することです。

2 本研究の目的及び学術的独自性と創造性は？
本研究の目的は、対比損失を用いて、薬剤の作用機序と細胞ラインのがんのタイプに関連する関係構造を維持しながら、薬剤と細胞ラインの表現を向上させ、癌の薬剤反応を予測することです。本研究の学術的独自性と創造性は、既存の手法と比較して、パフォーマンスが向上し、薬剤-細胞ラインの特徴をバランス良く使用する分類器が実現されることです。

3 本研究の着想に至った経緯や，関連する国内外の研究動向と本研究の位置づけは？
本研究の着想は、癌の複雑な性質と治療応答の変動性を考慮した組織学的解析による個別化医療の重要性によるものです。また、薬剤-細胞ラインのペアに関連するパターンを学習するための計算手法の制約についても言及しています。関連する国内外の研究動向では、SOTA（最先端の）手法であるRefDNNとDeepDSCの紹介があり、それぞれの手法の利点と制限が述べられています。本研究は、これらの手法の制約を解決し、より精度の高い薬剤反応予測を実現するために考案されました。

4 本研究で何をどのように，どこまで明らかにした？
本研究では、対比損失を利用した新しいフレームワークSiamCDRを提案し、薬剤と細胞ラインの表現の表現力を向上させ、癌の薬剤反応予測を改善することを明らかにしました。具体的には、薬剤と細胞ラインを埋め込み空間に射影するモデルを学習し、薬剤の遺伝子ターゲットの類似性と細胞ラインのがんのタイプとの類似性をエンコードすることができます。また、対比学習によって、薬剤反応予測に特化した類似関係が保持されることも明らかにしました。

5 本研究の有効性はどのように検証した？
本研究では、SiamCDRがDeepDSCよりも高品質で個別化された薬剤優先順位付けを行えることを実証しました。実際、乳癌におけるSiamCDRのdocetaxelの優先順位付けと関連する遺伝子のネットワーク解析では、docetaxel耐性を誘導すると知られる経路が見つかりました。これは、SiamCDRが薬剤効果に関連するトランスクリプトーム信号から推薦を調整することができることを示唆しています。最後に、SiamCDRを使用して、治療が困難ながんに対して複数の再利用候補を特定しました。