[論文レビュー] Deep learning methods for drug response prediction in cancer: predominant and emerging trends

Alexander Partin, Thomas Brettin+5 more|arXiv (Cornell University)|Nov 18, 2022

Computational Drug Discovery Methods被引用数 4

ひとこと要約

本論文は、がん薬剤反応予測のための深層学習手法について包括的なレビューを提供し、60のモデルを分析して主な傾向と新たな動向を特定した。マルチオミクス統合は単一オミクス手法に比べて僅かな利点しかもたらさないことが明らかになった一方で、グラフベースの薬剤表現は性能向上が限定的であり、精密腫瘍学におけるモデルの汎化性とデータ表現の面で重要な課題が浮き彫りになった。

ABSTRACT

Cancer claims millions of lives yearly worldwide. While many therapies have been made available in recent years, by in large cancer remains unsolved. Exploiting computational predictive models to study and treat cancer holds great promise in improving drug development and personalized design of treatment plans, ultimately suppressing tumors, alleviating suffering, and prolonging lives of patients. A wave of recent papers demonstrates promising results in predicting cancer response to drug treatments while utilizing deep learning methods. These papers investigate diverse data representations, neural network architectures, learning methodologies, and evaluations schemes. However, deciphering promising predominant and emerging trends is difficult due to the variety of explored methods and lack of standardized framework for comparing drug response prediction models. To obtain a comprehensive landscape of deep learning methods, we conducted an extensive search and analysis of deep learning models that predict the response to single drug treatments. A total of 60 deep learning-based models have been curated and summary plots were generated. Based on the analysis, observable patterns and prevalence of methods have been revealed. This review allows to better understand the current state of the field and identify major challenges and promising solution paths.

研究の動機と目的

• 60のモデルから構成されるキュレートドデータセットを用いて、がんにおける薬剤反応予測のための深層学習モデルの現状をマッピングすること。
• データ表現、ニューラルネットワークアーキテクチャ、学習戦略における主な方法論的トレンドと新たな動向を特定すること。
• マルチオミクスデータ統合が予測性能に与える影響を評価し、グラフベースの分子表現の価値を検証すること。
• 未発見の化合物への一般化性の低さや、臨床意思決定支援のための順位付けベースの予測の導入が限定的であるといった、継続的な課題を浮き彫りにすること。
• 今後の研究を導くために、未だ探査が少ないが有望な方向性、特にトランスフォーマーに基づくSMILESモデリングと分子記述子への2D-CNNの応用を特定すること。

提案手法

• Peer-reviewed出版物から深層学習ベースの薬剤反応予測（DRP）モデルを60件収集し、広範な文献サーチとキュレーションを実施した。
• モデルアーキテクチャ、データ表現（例：遺伝子発現、コピー数変異、分子フィンガープrint、分子グラフ）、学習手法を体系的に分析した。
• 研究間で異なるモデル部品の普及度と性能トレンドを可視化するための要約プロットを生成した。
• ピアソン積率相関係数（PCC）や受信器特性曲線下積分（AUC）といった標準化された指標を用いて、モデルの予測性能を評価した。
• 単一オミクスとマルチオミクス入力を比較し、グラフベースの薬剤表現（例：GNN）が従来の記述子に比べてどれほど価値をもたらすかを評価した。
• 臨床応用性を鑑み、IC50、AUC、AAC、離散的または順位付けされた結果といった反応指標の使用状況をレビューした。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースの薬剤反応予測モデルで最も一般的に使用されているデータ表現とニューラルネットワークアーキテクチャは何か？
• RQ2 マルチオミクスデータ統合は、単一オミクスアプローチと比較してDRPモデルの予測性能にどのように影響を与えるか？
• RQ3 グラフベースのモデル（例：GNN）は、従来の分子記述子やフィンガープrintベースの手法に比べて、予測精度をどの程度向上させるか？
• RQ4 多くのモデルが未確認の化合物に対して一般化性を欠くのはなぜか？現在のモデル設計における主な制限要因は何か？
• RQ5 臨床的翻訳や個別化治療推奨の観点から、未だ探査が少ないが有望な方法論的アプローチは何か？特に、SMILES配列のトランスフォーマーに基づくモデリングや、画像変換された分子記述子への2D-CNNの応用について。

主な発見

• マルチオミクス統合は頻繁に用いられているが、その性能向上は少数の研究でのみ顕著であり、大多数の研究では僅かな改善にとどまっている。
• 理論的利点は認められても、グラフベースの薬剤表現（例：GNN）は最小限の性能向上にとどまり、一連の比較では0.5%未満の改善にとどまった。これは、従来の記述子に比べて追加的価値が限定的であることを示唆している。
• IC50が反応指標として依然として主流であるが、近年の研究では、曲線フィッティングのノイズを低減するため、より頑健なグローバル指標（AUCやAAC）へのシフトが見られる。
• 順位付けベースの予測を検討しているモデルは少数にとどまり、これは個別化治療推奨や臨床意思決定支援において直接的な関連性を持つにもかかわらず、実装が限定的であることを示している。
• 未確認の化合物への一般化性は依然として大きな課題であり、分布外の薬剤ではモデル性能が著しく低下し、バーチャルスクリーニングにおける有用性が制限されている。
• 未だ探査が少ない分野には、SMILES配列のトランスフォーマーに基づくモデリング、画像変換された分子記述子への2D-CNNの応用、標的治療のためのキナーゼ阻害プロファイルの活用が含まれる。