2022年10月6日,加拿大麦吉尔大学的研究人员Amin Emad在bioRxiv上发布论文Interpretable deep learning architectures for improving drug response prediction: myth or reality。论文基于四个最新的可解释性模型,全面系统地评估了将信号通路信息纳入模型体系结构对细胞反应预测模型性能的影响,且旨在回答五个主要问题:
最近,为了使药物反应预测具有更高的可解释性和更高的预测性能,研究者提出了一些深度学习方法。在这项研究中,作者着手研究四种方法,这些方法试图通过在不同的实验设定下纳入通路信息来实现这两个目标。这些模型被用来预测三种方式的药物反应(包括未见过的CCL-药物对、未见过的CCL、未见过的药物)。作者将这些方法与三种类型的基准模型进行了比较。 本研究着重于从模型性能的角度评价纳入通路信息的效果,并没有根据这些模型的可解释性水平来评价它们。关注这些模型的可解释性方面的研究将是非常有见地的,并对目前的研究起到补充作用。另一方面,作者认为,虽然可解释性是精准医学中一个非常关键的目标,但新的模型有必要实现更高的可解释性的同时,提高药物反应预测的性能。此外,这些模型与黑盒模型相比显示出更好的性能是不够的,他们还需要针对随机生成的通路和朴素预测器评估他们的模型,以控制不同类型的偏差。参考资料 Li Y, Hostallero D E, Emad A. Interpretable deep learning architectures for improving drug response prediction: myth or reality?[J]. bioRxiv, 2022.