[论文解读] A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning

Austin Clyde, Tom Brettin+7 more|arXiv (Cornell University)|Apr 30, 2020

Molecular Biology Techniques and Applications参考文献 44被引用 7

一句话总结

本研究系统评估了用于预测癌症药物敏感性的深度学习模型的特征工程技术，涵盖超过35,000个训练模型。研究发现，即使在使用超过128个特征的子集时，RNA-seq特征仍具有高度信息量；将SNPs编码为计数矩阵可显著提升性能；MOregDred与Dragon7分子描述符表现相当，为精准肿瘤学中稳健、可泛化的药物反应预测提供了实用指导。

ABSTRACT

By combining various cancer cell line (CCL) drug screening panels, the size of the data has grown significantly to begin understanding how advances in deep learning can advance drug response predictions. In this paper we train >35,000 neural network models, sweeping over common featurization techniques. We found the RNA-seq to be highly redundant and informative even with subsets larger than 128 features. We found the inclusion of single nucleotide polymorphisms (SNPs) coded as count matrices improved model performance significantly, and no substantial difference in model performance with respect to molecular featurization between the common open source MOrdred descriptors and Dragon7 descriptors. Alongside this analysis, we outline data integration between CCL screening datasets and present evidence that new metrics and imbalanced data techniques, as well as advances in data standardization, need to be developed.

研究动机与目标

• 评估多种特征工程策略对跨多个细胞系和药物数据集的深度学习模型预测癌症药物敏感性的影响。
• 识别最有效的遗传和分子特征（尤其是RNA-seq、SNPs和分子描述符），以提升模型性能。
• 在大规模模型筛选中，比较开源（MOregDred）与商业（Dragon7）分子描述符的性能表现。
• 评估在类别不平衡的药物反应预测任务中，回归与分类评估指标之间的权衡。
• 为未来在泛癌药物反应预测中应用深度学习模型，提供可扩展、可复现的框架。

提出的方法

• 在198种不同的特征集（包括多种细胞系谱、药物表征和归一化方法）上训练了超过35,000个深度神经网络模型。
• 对多种模型架构、训练策略（如学习率调度）和交叉验证折数（3折，基于细胞系）进行系统性扫描，以评估模型的稳健性。
• 结合了公共数据集（如GDSC、CCLE和NCI-60），通过标准化预处理和数据调和实现整合。
• 采用多种评估指标进行模型评估：$r^2$、RMSE、平衡准确率、Matthews相关系数（MCC）和AUC，其中AUC在0.5处进行后处理分箱以实现分类评估。
• 应用严格过滤标准，排除非收敛或过拟合的模型（如TPR/FPR = 1.0、负的$r^2$、损失超过第85百分位数），以确保性能评估的可靠性。
• 发布所有代码和数据处理流程，以支持可复现性，并为未来药物敏感性预测中的特征工程选择提供基准测试支持。

实验结果

研究问题

• RQ1 哪些遗传和分子特征集在深度学习模型预测癌症药物敏感性方面表现最佳？
• RQ2 MOrdred与Dragon7等不同类型分子描述符在药物反应预测中的实用性如何比较？
• RQ3 RNA-seq与SNP特征在多大程度上提升模型性能？达到最优结果需要多少特征？
• RQ4 在类别不平衡的药物反应预测任务中，基于分类的指标（如MCC、平衡准确率）与回归指标（如$r^2$、RMSE）相比表现如何？
• RQ5 系统性、大规模的模型筛选能否为未来精准肿瘤学中的深度学习提供可操作、可泛化的指导？

主要发现

• RNA-seq特征表现出高度冗余性和信息量，即使使用超过128个特征的子集，仍具有强大的预测性能。
• 将单核苷酸多态性（SNPs）以计数矩阵形式引入显著提升了模型性能，表明其与药物反应具有强生物学相关性。
• MOregDred与Dragon7分子描述符之间未观察到显著性能差异，表明MOregDred是药物特征工程中可行的开源替代方案。
• 与基于细胞系的验证相比，药物验证模型表现较差，表明在多样且未见过的药物上预测响应是更具挑战性的泛化任务。
• 报告了所有模型中MCC和$r^2$得分的第99百分位数作为代表性性能基准，反映了无需详尽超参数调优即可实现的现实、开箱即用的性能水平。
• 基于收敛性和过拟合标准（如TPR/FPR = 1.0、负的$r^2$）的模型过滤过程排除了2045个模型（占总数的15%），从而提升了性能比较的可靠性。