非线性子空间驱动下的耐药性预测方法

摘要

癌症的耐药性预测任务已经成为精准医学领域前瞻性研究方向之一。针对现有耐药性预测方法难以深度表征药物和细胞系之间协同关系的问题，提出一种非线性子空间驱动下的耐药性预测方法 NLS-DRP(Nonlinear Subspace-Driven Drug Resistance Prediction)。NLS-DRP包括Cell分支、Drug分支和协同融合三个关键学习模块，分别用于构建非线性子空间提取细胞系特征，拆分药物结构提取子序列特征，设计非线性协同空间融合细胞系和药物特征；最后，通过融合三个模块的特征，实现细胞系对药物的耐药性预测。在癌症药物敏感性基因组学和癌症细胞系百科全书两个公开数据集上进行实验，结果表明所提NLS-DRP模型显著优于对比的基准方法，取得了0.945 8的皮尔逊相关系数（PCC）值和0.924 2的斯皮尔曼相关系数（SCC）值，验证了本文方法的有效性。

关键词

图神经网络 / 特征融合 / 非线性子空间 / 智能用药