Logikmodelle zur Vorhersage kontinuierlicher Ausgaben basierend auf binären Eingaben mit einer Anwendung auf personalisierte Krebstherapie

Die Analyse großer Datensätze mit maschinellen Lernansätzen führt oft zu Modellen, die schwer zu interpretieren sind und nicht zur Generierung von Hypothesen geeignet sind, die experimentell getestet werden können. Wir präsentieren 'Logic Optimization for Binary Input to Continuous Output' (LOBICO), einen rechnergestützten Ansatz, der kleine und leicht interpretierbare Logikmodelle binärer Eingabefunktionen ableitet, die eine kontinuierliche Ausgabeveriable erklären. Bei der Anwendung von LOBICO auf ein großes Panel von Krebszelllinien stellen wir fest, dass Logikkombinationen mehrerer Mutationen prädiktiver für die Arzneimittelreaktion sind als einzelne Genprädiktoren. Wichtig ist, dass wir zeigen, dass die Nutzung der kontinuierlichen Informationen zu robusteren und genaueren Logikmodellen führt. LOBICO implementiert die Fähigkeit, Logikmodelle um vordefinierte Betriebspunkte in Bezug auf Sensitivität und Spezifität aufzudecken. Daher stellt es einen wichtigen Schritt in Richtung praktischer Anwendung interpretierbarer Logikmodelle dar.