유전체 및 화학적 특성을 기반으로 한 암세포의 약물 감수성 예측을 위한 기계 학습

특정 암의 치료 반응을 예측하는 것은 현대 종양학의 주요 목표로, 궁극적으로 개인 맞춤형 치료로 이어져야 한다. 유전체가 이질적인 암세포주 패널에 대해 잠재적으로 활성 화합물을 고속 스크리닝한 결과, 유전자 변이와 약물 반응 간의 여러 관계가 드러났다. 유전자 특성을 기반으로 감수성을 예측하기 위한 다양한 계산 방법이 제안되었으며, 다른 방법들은 약물의 화학적 특성을 사용하여 그 효과를 확인하였다. 이러한 상호 보완적인 접근 방식을 통합하기 위해, 우리는 암세포주의 유전적 특성과 고려된 약물의 화학적 특성을 기반으로 암세포주에 대한 약물 치료 반응을 IC₅₀ 값을 통해 예측하기 위한 기계 학습 모델을 개발하였다. 모델은 8겹 교차 검증 및 독립적인 블라인드 테스트에서 결정계수 R² 값이 각각 0.72와 0.64로 IC₅₀ 값을 예측하였다. 더욱이, 모델은 훈련 단계에서 사용되지 않은 조직의 세포주에서 IC₅₀을 (R² 0.61) 유사한 정확도로 예측할 수 있었다. 우리의 인 실리코 모델은 실험적으로 IC₅₀ 값을 측정하기보다는 누락된 IC₅₀ 값을 추정하여 약물-세포 스크리닝의 실험 디자인을 최적화하는 데 사용될 수 있다. 우리의 결과의 함의는 가상 약물 스크리닝 디자인을 넘어선다: 구조를 기반으로 항종양제로서 잠재적 효능을 체계적으로 테스트하기 위해 수천 개의 약물이 인 실리코에서 조사될 수 있으며, 이는 새 약물 재배치 기회를 식별하는 계산 프레임워크를 제공하고 궁극적으로 개인 맞춤 의학에 유용할 수 있다.