약물의 약리학적 특성을 예측하고 전사체 데이터를 이용한 약물 리프러포징을 위한 심층 학습 응용

심층 학습은 이미지, 텍스트, 음성 및 비디오 인식, 로봇 공학 및 자율주행 분야에서 여러 성공 사례로 과학 및 기술의 많은 분야에서 빠르게 발전하고 있습니다. 본 논문에서는 대규모 전사 반응 데이터 세트에서 훈련된 심층 신경망(DNN)이 전사체 프로필을 기준으로 다양한 약물을 치료 카테고리로 분류할 수 있는 방법을 보여줍니다. 우리는 LINCS 프로젝트의 A549, MCF-7 및 PC-3 세포주에서 678개 약물의 섭동 샘플을 사용하고 이를 MeSH에서 유도된 12개의 치료 사용 카테고리에 연결했습니다. DNN을 훈련시키기 위해 우리는 유전자 수준의 전사체 데이터와 경로 활성화 점수 알고리즘을 사용하여 처리된 전사체 데이터를 활용했으며, 6시간 및 24시간 동안 다양한 약물 농도로 섭동된 샘플의 pooled 데이터 세트를 생성했습니다. 경로 및 유전자 수준 분류 모두에서 DNN은 높은 분류 정확도를 달성했으며, 모든 다중 클래스 분류 문제에서 서포트 벡터 머신(SVM) 모델을 확연히 능가했습니다. 그러나 경로 수준 데이터 기반 모델은 유의미하게 더 나은 성능을 보였습니다. 우리는 처음으로 전사체 데이터를 기반으로 한 심층 학습 신경망이 다양한 생물학적 시스템과 조건에서 여러 약물의 약리학적 특성을 인식하는 방법을 보여줍니다. 또한 약물 재배치를 위한 심층 신경망 혼동 행렬 사용을 제안합니다. 이 연구는 약물 발견 및 개발을 위한 심층 학습 적용의 원리를 입증하는 것입니다.