CDR useful review

推荐

2017-SRMF

Improved anticancer drug response prediction in cell lines using matrix factorization with similarity regularization
SRMF
背景:人类癌细胞系被用于研究癌症的生物学和测试癌症治疗。最近已经有了一些由几百个人类癌细胞系组成的大型小组，这些小组以基因组和药理数据为特征。利用这些药物基因组学数据预测药物反应的能力可以促进精确癌症药物的发展。虽然已经开发了几种方法来预测药物反应，但要获得准确的预测仍有许多挑战。方法:基于相似细胞系和相似药物表现出相似的药物反应，我们采用相似-正则化矩阵因子分解(SRMF)方法，利用药物的化学结构和细胞系中基线基因表达水平预测细胞系的抗癌药物反应。具体来说，将药物的化学结构相似性和细胞系基因表达谱相似性作为正则化术语纳入药物反应矩阵分解模型中。结果:我们首先用一组模拟数据证明了SRMF的有效性，并将其与两种典型的基于相似性的方法进行了比较。此外，我们将其应用于癌症药物敏感性基因组学(GDSC)和癌症细胞系百科全书(CCLE)数据集，SRMF的性能超过了三种最新的方法。我们还应用SRMF来估计GDSC数据集中缺失的药物反应值。尽管SRMF没有专门对突变信息建模，但它可以正确地预测与现有数据一致的药物-癌症基因关联，并识别现有数据中没有发现的新的药物-癌症基因关联。SRMF还可以帮助药物重新定位。GDSC数据集最新预测的药物反应表明，mTOR抑制剂雷帕霉素对非小细胞肺癌(NSCLC)敏感，而AK1RC3和HINT1的表达可能是细胞对雷帕霉素敏感的辅助标记。结论:我们的分析表明，我们提出的数据整合方法能够提高预测细胞系抗癌药物反应的准确性，与现有数据相比，可以识别一致的和新的药物-癌症基因关联，并有助于药物重新定位

2018-NCFGER

Anti-cancer Drug Response Prediction Using Neighbor-Based Collaborative Filtering with Global Effect Removal
同一癌症的病人对特定的药物治疗可能有不同的反应。在精准医疗时代，药物敏感性预测分子特征的识别是关键。人类细胞系具有大多数在患者肿瘤中发现的相同的基因变化，因此被广泛应用于药物反应的研究。在这项工作中,我们制定药物反应预测作为一个推荐系统问题,然后采用neighbor-based协同过滤与全球效应去除(NCFGER)方法来估计抗癌药物反应的细胞系通过整合细胞系相似性网络和药物相似网络基于类似的细胞系和类似药物表现出类似的反应。具体来说，我们删除了可用响应中的全局效应，并缩小了每个细胞系对和每个药物对的相似性评分。然后，我们使用K个最相似的邻居(细胞取向和药物取向的杂交)在可用的反应预测未知的。通过10倍交叉验证，该方法被证明达到了准确和可重复的药物敏感性结果。我们还讨论了基于新预测响应值的生物学结果。

data：m celln drug
cell-line similarity matrix：值为 gene expression 之间的PCC（Pearson相关性），mm
drug-similarity matrix： Jaccard similarity score of the PubChem fingerprint，n*n
MRPCC分别为cell对应IC50之间的PCC和drug对应IC50之间PCC
为了减小数据中不同药物的对应细胞数不一样，乘上U(i,j)，代表药物ij都有的细胞系。【U越大，那两个药物都对应的细胞系越多，乘的权重越大，两个药物相似值越大】
对每个cell u，找到最相似的K个cell，对他们和药物
最小二乘优化
（8）对于drug i，找到同样有cell u值的前K个drug j，对邻域关于cell v的信息聚合，得到drug i对cell v的预测，最小二乘优化得到w，K维。对所有v聚合，希望具有cell u的drug i对其他cell v也预测正确？

方法：三种协同过滤。user-oriented CF, item-oriented CF, The hybrid method simply takes the average of scores

2018-CaDRReS

Predicting Cancer Drug Response using a Recommender System
CaDRReS
动机:随着我们迈向精准医疗时代，基于分子信息(如基因表达数据)预测癌症患者特异性药物反应的能力既是机遇也是挑战。特别是，需要能够适应高维数据的方法来学习捕获药物反应机制的可解释模型，以及跨数据集提供稳健的预测。结果:我们提出了一种基于推荐系统(CaDRReS)思想的方法，该方法基于药物和细胞系进入潜在药物基因组空间的学习预测，预测未见细胞/患者的癌症药物反应。与其他基于大型公共数据集(CCLE和GDSC)提出的解决这个问题的方法的比较表明，CaDRReS提供了一致的良好模型和稳健的预测，即使是在看不见的患者衍生的cellline数据集。由CaDRReS推断的药物基因组空间的分析也表明，它们可以用来理解药物机制，识别细胞亚型和进一步特征药物通路关联

data nm IC50
cell - nxd 已知gene expression，drug - myd 单位阵，直接学习隐层特征
WP - xdf，WQ - yd*f 参数
bp - n，bq - m，mu=mean(data)
pred = (((mu + (Y * WQ * WP.T * X.T).T) + b_q).T + b_p).T

MSE，细胞u对药物i

Average Spearman correlation
normalized discounted cumulative gain (NDCG)
SRMF也挺好