Key points are not available for this paper at this time.
심층 학습은 이미지, 텍스트, 음성 및 비디오 인식, 로봇 공학 및 자율 주행 등의 여러 분야에서 빠르게 발전하고 있으며, 여러 성공 사례가 있습니다. 본 논문에서는 대규모 전사 반응 데이터 세트에 대해 훈련된 심층 신경망(DNN)이 약물의 전사 프로파일에만 기반하여 다양한 약물을 치료 카테고리로 분류할 수 있는 방법을 보여줍니다. 우리는 LINCS 프로젝트의 A549, MCF-7 및 PC-3 세포주 across의 678개의 약물에 대한 교란 샘플을 사용하고 이를 MeSH에서 유래된 12개의 치료용 카테고리에 연결했습니다. DNN을 훈련하기 위해 우리는 유전자 수준의 전사체 데이터와 경로 활성화 점수 알고리즘을 사용하여 처리된 전사체 데이터를 활용하여 약물의 다양한 농도로 6시간 및 24시간 동안 교란된 샘플의 집합 데이터 세트를 생성했습니다. 경로 및 유전자 수준 분류에서 DNN은 높은 분류 정확도를 달성하였고, 모든 다중 클래스 분류 문제에서 지지 벡터 기계(SVM) 모델을 압도적으로 초과 성능을 보였습니다. 그러나 경로 수준 데이터에 기반한 모델은 상당히 더 좋은 성능을 보였습니다. 우리는 다양한 생물학적 시스템과 조건에서 여러 약물의 약리학적 특성을 인식하기 위해 전사체 데이터로 훈련된 심층 학습 신경망을 처음으로 시연합니다. 또한 약물 재위치를 위해 심층 신경망 혼동 행렬을 사용하는 것을 제안합니다. 이 연구는 약물 발견 및 개발에 심층 학습을 적용할 수 있는 원리를 증명하는 것입니다.
Aliper et al. (Sun,)은 이 문제를 연구했습니다.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: