효과적인 암 치료를 위하여 혁신적인 치료 접근법이 강조되어 왔다. 특히 여러 약물의 시너지 효과를 활용하여 치료 효과를 높이고 단독 요법에 저항하는 내성 메커니즘을 극복하는 약물 병용 요법이 유망한 접근법으로 떠오르고 있다. 하지만 수많은 잠재적 조합과 복잡한 생물학적 상호 작용으로 인해 최적의 약물 조합을 찾는 것은 여전히 중요한 과제로 남아 있다. 시너지 효과를 내는 약물 조합을 발견하기 위한 기존의 실험 방법은 시간과 비용이 많이 들고 성공률이 제한적인 경우가 많다. 이러한 방법에는 광범위한 시험관 및 ...
효과적인 암 치료를 위하여 혁신적인 치료 접근법이 강조되어 왔다. 특히 여러 약물의 시너지 효과를 활용하여 치료 효과를 높이고 단독 요법에 저항하는 내성 메커니즘을 극복하는 약물 병용 요법이 유망한 접근법으로 떠오르고 있다. 하지만 수많은 잠재적 조합과 복잡한 생물학적 상호 작용으로 인해 최적의 약물 조합을 찾는 것은 여전히 중요한 과제로 남아 있다. 시너지 효과를 내는 약물 조합을 발견하기 위한 기존의 실험 방법은 시간과 비용이 많이 들고 성공률이 제한적인 경우가 많다. 이러한 방법에는 광범위한 시험관 및 생체 내 테스트가 필요하므로 가능한 약물 조합의 기하급수적인 수를 고려할 때 비현실적이다. 따라서 약물 시너지 효과를 예측하기 위한 보다 효율적이고 확장 가능한 접근 방식이 절실히 필요하다.
최근 컴퓨터 모델링과 머신 러닝의 발전으로 이 문제를 해결할 수 있는 새로운 길이 열렸다. 초기 머신 러닝 모델은 랜덤 포레스트와 XGBoost와 같은 전통적인 분류기를 활용하여 물리화학적 특성을 약물의 특징으로 사용하고 각 세포주에 대해 개별적으로 모델을 학습시켰다. 이러한 접근 방식은 유망하긴 하지만 실제 적용에 필요한 정밀도에는 여전히 미치지 못한다.
SynergyGTN과 Synergy-G는 교차 검증 전략과 독립적인 데이터 세트에 대한 평가와 같은 엄격한 검증을 통해 최신 방법보다 상당한 개선이 이루어졌음을 보여준다. 또한 웹 서버 도구의 개발로 제약 업계에서 이러한 예측 모델을 실제로 적용할 수 있게 되어 연구자와 실무자가 쉽게 접근할 수 있게 되었다. 그래프 기반 계산 네트워크의 잠재력은 약물 시너지 예측을 혁신적으로 개선하여 향후 암 치료에 대한 연구와 응용에 유망한 방향을 제시한다. 마지막으로, 제약 업계와 연구자들이 쉽게 이용할 수 있는 웹 서버 도구를 개발하였으며 https://nsclbio.jbnu.ac.kr/tools/SynergyGTN/ 에서 확인할 수 있다.
효과적인 암 치료를 위하여 혁신적인 치료 접근법이 강조되어 왔다. 특히 여러 약물의 시너지 효과를 활용하여 치료 효과를 높이고 단독 요법에 저항하는 내성 메커니즘을 극복하는 약물 병용 요법이 유망한 접근법으로 떠오르고 있다. 하지만 수많은 잠재적 조합과 복잡한 생물학적 상호 작용으로 인해 최적의 약물 조합을 찾는 것은 여전히 중요한 과제로 남아 있다. 시너지 효과를 내는 약물 조합을 발견하기 위한 기존의 실험 방법은 시간과 비용이 많이 들고 성공률이 제한적인 경우가 많다. 이러한 방법에는 광범위한 시험관 및 생체 내 테스트가 필요하므로 가능한 약물 조합의 기하급수적인 수를 고려할 때 비현실적이다. 따라서 약물 시너지 효과를 예측하기 위한 보다 효율적이고 확장 가능한 접근 방식이 절실히 필요하다.
최근 컴퓨터 모델링과 머신 러닝의 발전으로 이 문제를 해결할 수 있는 새로운 길이 열렸다. 초기 머신 러닝 모델은 랜덤 포레스트와 XGBoost와 같은 전통적인 분류기를 활용하여 물리화학적 특성을 약물의 특징으로 사용하고 각 세포주에 대해 개별적으로 모델을 학습시켰다. 이러한 접근 방식은 유망하긴 하지만 실제 적용에 필요한 정밀도에는 여전히 미치지 못한다.
SynergyGTN과 Synergy-G는 교차 검증 전략과 독립적인 데이터 세트에 대한 평가와 같은 엄격한 검증을 통해 최신 방법보다 상당한 개선이 이루어졌음을 보여준다. 또한 웹 서버 도구의 개발로 제약 업계에서 이러한 예측 모델을 실제로 적용할 수 있게 되어 연구자와 실무자가 쉽게 접근할 수 있게 되었다. 그래프 기반 계산 네트워크의 잠재력은 약물 시너지 예측을 혁신적으로 개선하여 향후 암 치료에 대한 연구와 응용에 유망한 방향을 제시한다. 마지막으로, 제약 업계와 연구자들이 쉽게 이용할 수 있는 웹 서버 도구를 개발하였으며 https://nsclbio.jbnu.ac.kr/tools/SynergyGTN/ 에서 확인할 수 있다.
Effective cancer treatments have highlighted the need for innovative therapeutic approaches. Combination drug therapy has emerged as a particularly promising approach, leveraging the synergistic effects of multiple drugs to enhance therapeutic efficacy and overcome resistance mechanisms that often r...
Effective cancer treatments have highlighted the need for innovative therapeutic approaches. Combination drug therapy has emerged as a particularly promising approach, leveraging the synergistic effects of multiple drugs to enhance therapeutic efficacy and overcome resistance mechanisms that often resist monotherapy. However, identifying optimal drug combinations remains a significant challenge because of the vast number of potential pairings and complex biological interactions involved. Traditional wet-lab experimental methods for discovering synergistic drug combinations are time-consuming and costly, and often yield limited success rates. These methods require extensive in vitro and in vivo testing, which is impractical when considering an exponential number of possible drug pairs. Consequently, there is a critical need for more efficient and scalable approaches to predict drug synergies. Recent advancements in computational modeling and machine learning have opened new avenues for addressing this challenge. Early machine learning models utilized traditional classifiers such as random forest and extreme gradient boosting (XGBoost), employing physicochemical properties as features for drugs and training models individually for each cell line. These approaches, while promising, still fall short of the precision needed for practical applications.
This thesis explores novel graph-based predictive models for drug combination classification (synergistic and antagonistic) and regression value of synergy, specifically tailored for cancer treatment. The proposed classification model, SynergyGTN, employs Graph Transformer Networks to integrate drug molecular graphs with gene expression profiles of cancer cell lines. This method extracts latent, high-dimensional features encapsulating both the chemical properties of drug pairs and the biological context of the cell lines. SynergyGTN aims to predict synergistic and antagonistic drug combinations more accurately than existing methods, leveraging the complexities inherent in drug interactions and cellular responses. For regression prediction, the Synergy-G model is introduced, designed to predict continuous synergy values for drug combinations using various graph-based networks. These networks, including Graph Convolution Networks (GCN), Graph Attention Networks (GAT), and Graph Transformer Networks (GTN), capture structural and relational information within molecular graphs to enhance prediction accuracy. By integrating gene expression profiles of cancer cell lines, Synergy-G considers both the chemical properties of drugs and the biological context of the target cells, providing a comprehensive input for the regression model.
Both SynergyGTN and Synergy-G demonstrate significant improvements over state-of-the-art methods through rigorous validation, including cross-validation strategies and evaluation on independent datasets. Additionally, the development of a web server tool ensures the practical application of these predictive models in the pharmaceutical industry, making them accessible to researchers and practitioners. The potential of graph-based computational networks in revolutionizing the prediction of drug synergy, offering a promising direction for future research and application in cancer treatment. Finally, we developed a web server tool to facilitate the pharmaceutical industry and researchers, as available at: https://nsclbio.jbnu.ac.kr/tools/SynergyGTN/
Effective cancer treatments have highlighted the need for innovative therapeutic approaches. Combination drug therapy has emerged as a particularly promising approach, leveraging the synergistic effects of multiple drugs to enhance therapeutic efficacy and overcome resistance mechanisms that often resist monotherapy. However, identifying optimal drug combinations remains a significant challenge because of the vast number of potential pairings and complex biological interactions involved. Traditional wet-lab experimental methods for discovering synergistic drug combinations are time-consuming and costly, and often yield limited success rates. These methods require extensive in vitro and in vivo testing, which is impractical when considering an exponential number of possible drug pairs. Consequently, there is a critical need for more efficient and scalable approaches to predict drug synergies. Recent advancements in computational modeling and machine learning have opened new avenues for addressing this challenge. Early machine learning models utilized traditional classifiers such as random forest and extreme gradient boosting (XGBoost), employing physicochemical properties as features for drugs and training models individually for each cell line. These approaches, while promising, still fall short of the precision needed for practical applications.
This thesis explores novel graph-based predictive models for drug combination classification (synergistic and antagonistic) and regression value of synergy, specifically tailored for cancer treatment. The proposed classification model, SynergyGTN, employs Graph Transformer Networks to integrate drug molecular graphs with gene expression profiles of cancer cell lines. This method extracts latent, high-dimensional features encapsulating both the chemical properties of drug pairs and the biological context of the cell lines. SynergyGTN aims to predict synergistic and antagonistic drug combinations more accurately than existing methods, leveraging the complexities inherent in drug interactions and cellular responses. For regression prediction, the Synergy-G model is introduced, designed to predict continuous synergy values for drug combinations using various graph-based networks. These networks, including Graph Convolution Networks (GCN), Graph Attention Networks (GAT), and Graph Transformer Networks (GTN), capture structural and relational information within molecular graphs to enhance prediction accuracy. By integrating gene expression profiles of cancer cell lines, Synergy-G considers both the chemical properties of drugs and the biological context of the target cells, providing a comprehensive input for the regression model.
Both SynergyGTN and Synergy-G demonstrate significant improvements over state-of-the-art methods through rigorous validation, including cross-validation strategies and evaluation on independent datasets. Additionally, the development of a web server tool ensures the practical application of these predictive models in the pharmaceutical industry, making them accessible to researchers and practitioners. The potential of graph-based computational networks in revolutionizing the prediction of drug synergy, offering a promising direction for future research and application in cancer treatment. Finally, we developed a web server tool to facilitate the pharmaceutical industry and researchers, as available at: https://nsclbio.jbnu.ac.kr/tools/SynergyGTN/
Keyword
#Drug combinations, Synergistic effect, Drug development, Deep Learning, Graph transformer network, Machine Learning
학위논문 정보
저자
Waleed Alam
학위수여기관
전북대학교 대학원
학위구분
국내박사
학과
전자.정보공학부과(전자공학 전공)
지도교수
정길도
발행연도
2024
총페이지
xvii, 150 p.
키워드
Drug combinations, Synergistic effect, Drug development, Deep Learning, Graph transformer network, Machine Learning
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.