Bayesian Ridge Regression और Deep Forest के हाइब्रिड का उपयोग करके Multi-Omics डेटा पर Drug Response का पूर्वानुमान लगाना

प्रत्येक रोगी के लिए सटीक drug response का पूर्वानुमान personalized medicine में अत्यंत महत्वपूर्ण है। हालांकि, single-omics डेटासेट पर निर्भर कई अध्ययनों की सीमाएं बनी हुई हैं। इसके अलावा, curse of dimensionality को drug response के पूर्वानुमान के लिए एक चुनौती माना जाता है। पारंपरिक machine learning की तुलना में deep learning में उल्लेखनीय पूर्वानुमान प्रभावशीलता है, लेकिन इसके लिए भारी मात्रा में training data की आवश्यकता होती है, जो एक सीमा है क्योंकि अधिकांश जैविक डेटा की प्रकृति छोटे पैमाने (small-scale) की होती है। यह शोधपत्र एक ऐसा दृष्टिकोण प्रस्तुत करता है जो Bayesian Ridge Regression को Deep Forest के साथ जोड़ता है। BRR, Bayesian दृष्टिकोण पर निर्भर करता है, जिसमें linear model का आकलन बिंदु अनुमानों (point estimates) के बजाय संभाव्यता वितरण (probability distributions) के आधार पर होता है। इसका उपयोग multi-omics को एकीकृत करने के लिए किया गया था, जो एक feature selection है और coefficient की गणना feature importance के रूप में करता है। DF कम्प्यूटेशनल लागत और hyper-parameter tuning लागत को कम करता है। Gene expression, copy number variant, और single nucleotide variant को एकीकृत करने के लिए Cancer Cell Line Encyclopedia CCLE का उपयोग डेटासेट के रूप में किया गया था। Root Mean Square Error, Pearson Correlation Coefficient, और coefficient of determination का उपयोग मूल्यांकन मेट्रिक्स के रूप में किया गया था। प्राप्त निष्कर्ष दर्शाते हैं कि प्रस्तावित मॉडल regression प्रदर्शन के मामले में Random Forest और Convolutional Neural Network से बेहतर प्रदर्शन करता है; इसने RMSE के लिए 0.175, PCC के लिए 0.842, और R2 के लिए 0.708 प्राप्त किया।