Tên luận án:
NGHIÊN CỨU ỨNG DỤNG VÀ ĐỀ XUẤT CÁC PHƯƠNG PHÁP TÍNH TOÁN ĐỂ DỰ ĐOÁN ĐÁP ỨNG THUỐC TRONG ĐIỀU TRỊ BỆNH
Ngành:
Hệ thống thông tin
Tóm tắt nội dung tài liệu:
Luận án này tập trung vào mục tiêu quan trọng của y học chính xác là xác định phương thức điều trị tối ưu cho từng bệnh nhân dựa trên hồ sơ sinh học cá nhân. Trong bối cảnh các phương pháp dự đoán đáp ứng thuốc hiện tại còn tồn tại hạn chế về cách biểu diễn dữ liệu thuốc (thường dưới dạng chuỗi hoặc ảnh thay vì đồ thị tự nhiên hơn), việc tích hợp đa dạng dữ liệu sinh học (-omics) và ứng dụng các phương pháp tính toán tiên tiến, luận án đề xuất các giải pháp nhằm cải thiện hiệu năng dự đoán đáp ứng thuốc trong điều trị bệnh.
Nghiên cứu được chia thành hai bài toán chính: dự đoán đáp ứng đơn thuốc và dự đoán đáp ứng đa thuốc cho các dòng tế bào, tập trung vào ứng dụng các mô hình học sâu và khai phá dữ liệu y sinh học. Các giải pháp được đề xuất bao gồm:
- **GraphDRP**: Giải pháp học dữ liệu biểu diễn đồ thị của phân tử thuốc, sử dụng mạng nơ-ron đồ thị (GNN) để học các đặc trưng ẩn từ cấu trúc phân tử, kết hợp với dữ liệu đột biến gen và biến thể số lượng bản sao của dòng tế bào. Giải pháp này đã cải thiện hiệu năng dự đoán so với các phương pháp không tích hợp dữ liệu đồ thị.
- **GraOmicDRP**: Mở rộng GraphDRP bằng cách tích hợp đa dạng các dữ liệu -omics của dòng tế bào (đột biến gen, biến thể số lượng bản sao, biểu hiện gen, methyl hóa) cùng với dữ liệu biểu diễn đồ thị phân tử thuốc. Giải pháp này cho thấy khả năng vượt trội trong dự đoán đáp ứng đơn thuốc và đặc biệt chỉ ra dữ liệu biểu hiện gen (GE) có ý nghĩa quan trọng.
- **GraOmicSynergy**: Đối với bài toán dự đoán đáp ứng đa thuốc, đề xuất này học các biểu diễn cặp thuốc dưới dạng đồ thị phân tử, tổng hợp thông tin bằng cơ chế chú ý và tích hợp đa dữ liệu -omics của dòng tế bào. Kết quả thử nghiệm cho thấy hiệu năng dự đoán tốt hơn so với các mô hình chỉ tích hợp đơn dữ liệu -omics.
- **AE-XGBSynergy**: Tích hợp đa dữ liệu -omics của dòng tế bào với thông tin cấu trúc mạng tương tác protein (PPI) để dự đoán phân loại đáp ứng đa thuốc. Phương pháp này sử dụng bộ mã hóa (AE) để trích xuất biểu diễn dòng tế bào và kết hợp với dữ liệu biểu diễn thuốc và dòng tế bào từ PPI, sau đó đưa vào bộ phân loại XGBoost. Giải pháp này đã chứng minh hiệu năng vượt trội trên nhiều độ đo đánh giá.
Các kết quả thử nghiệm đã xác nhận rằng các giải pháp đề xuất mang lại hiệu năng tốt hơn đáng kể so với các phương pháp hiện có, góp phần nâng cao độ chính xác trong dự đoán đáp ứng thuốc cho y học chính xác.
Mục lục chi tiết:
- Chương 1 – Tổng quan về đáp ứng thuốc và dự đoán đáp ứng thuốc
- Chương 2 – Giải pháp tích hợp dữ liệu trong dự đoán đáp ứng đơn thuốc
- Chương 3 – Giải pháp tích hợp dữ liệu trong dự đoán đáp ứng đa thuốc