近年来,个性化医疗引起研究者们的广泛关注,抗癌药物敏感性预测便是个性化医疗的一个主要挑战。本文将CCLE作为抗癌药物敏感性研究的数据集,选取了不同细胞系上的基因表达数据以及药物敏感性数据。同时我们设计了一种名为PCA Transformer (PCAT)的混合深度学习与机器学习的方法来对抗癌药物敏感性进行预测。首先构造一个PCA模型来提取在不同细胞系上的基因表达数据中的重要变量,使得约5万的基因维度降至500;随后基于降维后的基因表达值建立了一个神经网络Transformer模型来预测药物敏感性,通过均方根误差(RMSE)来评估我们模型的性能,以结果最优的潜变量数量建立的模型作为最终模型。为了验证PCA Transformer的性能,本文将Transformer模型与预测模型随机森林(RF)和支持向量回归(SVR)来进行对比,为了排除降维方法的影响,统一使用PCA进行降维。具体组合包括:PCA Transformer、PCA + SVR、PCA + RF。最后与前人研究方法(ISIRS)的结果进行比较并优化。最终的预测结果看出,对于CCLE中的24种药物,本方法预测得到的平均RMSE为0.7564,有6种药物的RMSE小于0.5 (L-685458、PF2341066等),有18种药物的RMSE小于1。与其比较的预测方法的平均RMSE分别为:0.8284 (PCA + SVR)、0.8757 (PCA + RF)、ISIRS (0.9258),体现出本方法有着更强的泛化能力。In recent years, personalized medicine has attracted extensive attention from researchers, and the prediction of anticancer drug susceptibility is a major challenge for personalized medicine. In this paper, CCLE was used as a dataset for anticancer drug susceptibility studies, and gene expression data and drug sensitivity data on different cell lines were selected. At the same time, we designed a hybrid deep learning and machine learning method called PCA Transformer (PCAT) to predict the susceptibility of anticancer drugs. Firstly, a PCA model was constructed to extract important variables in
