[论文解读] Relational Dose-Response Modeling for Cancer Drug Studies

Wesley Tansey, Christopher Tosh+1 more|arXiv (Cornell University)|Jun 10, 2019

Statistical Methods and Inference参考文献 1被引用 1

一句话总结

本文提出贝叶斯张量滤波（BTF），一种用于多药、多细胞系癌症研究中功能矩阵分解的分层贝叶斯模型，可对剂量反应曲线进行去噪和填补。BTF利用灵活的似然函数和高效的吉布斯采样，将每个响应建模为平滑且局部自适应的函数，在重建保留数据方面优于当前最先进方法，并提升了生物剂量反应建模的准确性。

ABSTRACT

Exploratory cancer drug studies test multiple tumor cell lines against multiple candidate drugs. The goal in each paired (cell line, drug) experiment is to map out the dose-response curve of the cell line as the dose level of the drug increases. The level of natural variation and technical noise in these experiments is high, even when multiple replicates are run. Further, running all possible combinations of cell lines and drugs may be prohibitively expensive, leading to missing data. Thus, estimating the dose-response curve is a denoising and imputation task. We cast this task as a functional matrix factorization problem: finding low-dimensional structure in a matrix where every entry is a noisy function evaluated at a set of discrete points. We propose Bayesian Tensor Filtering (BTF), a hierarchical Bayesian model of matrices of functions. BTF captures the smoothness in each individual function while also being locally adaptive to sharp discontinuities. The BTF model can incorporate many types of likelihoods, making it flexible enough to handle a wide variety of data. We derive efficient Gibbs samplers for three classes of likelihoods: (i) Gaussian, for which updates are fully conjugate; (ii) binomial and related likelihoods, for which updates are conditionally conjugate through Polya-Gamma augmentation; and (iii) non-conjugate likelihoods, for which we develop an analytic truncated elliptical slice sampling routine. We compare BTF against a state-of-the-art method for dynamic Poisson matrix factorization, showing BTF better reconstructs held out data in synthetic experiments. Finally, we build a dose-response model around BTF and apply it to real data from two multi-sample, multi-drug cancer studies. We show that the BTF-based dose-response model outperforms the current standard approach in biology. Code is available at this https URL.

研究动机与目标

• 解决多药、多细胞系癌症药物筛选实验中的高噪声和缺失数据问题。
• 在因成本过高而无法获得完整实验覆盖的情况下，改善剂量反应曲线的估计。
• 开发一种灵活的分层贝叶斯模型，以捕捉功能响应中的平滑性与局部不连续性。
• 利用低维功能结构实现剂量反应数据的准确填补与去噪。
• 在重建未见数据和建模真实世界癌症药物反应谱方面超越现有方法。

提出的方法

• 将剂量反应估计建模为功能矩阵分解问题，其中每个条目均为药物剂量的噪声函数。
• 提出贝叶斯张量滤波（BTF），一种分层贝叶斯模型，可捕捉个体响应函数中的平滑性与局部自适应性。
• 支持多种似然族：高斯分布（完全共轭更新）、二项分布及相关分布（通过Polya-Gamma扩展实现条件共轭），以及非共轭分布（通过截断椭圆切片采样实现）。
• 为每类似然分布推导出高效的吉布斯采样器，实现可扩展的后验推断。
• 利用低秩结构建模细胞系与药物之间的共享模式，提升泛化能力与填补性能。
• 将BTF模型整合至剂量反应框架中，应用于真实癌症药物筛选数据。

实验结果

研究问题

• RQ1 分层贝叶斯模型能否在高噪声、缺失数据的癌症药物筛选实验中有效实现剂量反应曲线的去噪与填补？
• RQ2 与当前最先进的动态泊松矩阵分解相比，BTF在重建保留剂量反应数据方面表现如何？
• RQ3 BTF对平滑性与局部不连续性的建模能力在多大程度上提升了功能响应估计的准确性？
• RQ4 在真实世界多药、多细胞系研究中，基于BTF的剂量反应建模能否超越当前生物标准方法？
• RQ5 BTF似然框架的灵活性在不同数据类型上的表现如何？

主要发现

• 在合成实验中，BTF在重建保留数据方面优于当前最先进的动态泊松矩阵分解方法。
• BTF通过局部自适应性，有效捕捉了剂量反应函数中的平滑趋势与显著不连续性。
• BTF对高斯似然实现完全共轭更新，对二项分布类数据通过Polya-Gamma扩展实现条件共轭更新，并对非共轭似然实现高效采样。
• 将BTF应用于真实多样本、多药癌症研究时，其基于剂量反应的模型显著优于当前标准生物方法的预测准确性。
• 该模型在处理多样化似然分布方面的灵活性，使其在药物反应实验的不同数据模态中均表现出稳健性能。
• BTF的代码已公开，便于在生物医学研究中实现可复现性与进一步扩展。