AITL: ファーマコゲノミクスのための入力空間と出力空間の適応を考慮した敵対的帰納的移動学習．

AITL: Adversarial Inductive Transfer Learning with input and output space adaptation for pharmacogenomics.

• Hossein Sharifi-Noghabi
• Shuman Peng
• Olga Zolotareva
• Colin C Collins
• Martin Ester

抄録

動機:

ファーマコゲノミクスの目標は、単一または複数のオミクスデータを用いて患者の薬物反応を予測することである。主な課題は、臨床データ（すなわち患者）と薬物反応の結果との間のデータが非常に限られていることであり、ソースドメインとしての大規模な前臨床ファルマコゲノミクスデータセット（例えば、癌細胞株）とターゲットドメインとしての臨床データセットとの間のギャップを埋めるための伝達学習の必要性を生み出しています。前臨床データと臨床データの間には2つの大きな相違が存在する。(i)入力空間には、基礎生物学の違いによる遺伝子発現データが、(ii)出力空間には、薬物反応の異なる尺度が存在する。したがって、細胞株で計算モデルを訓練し、患者でそれを試験することは、訓練データと試験データが同じ分布であるというI.I.D.の仮定に反します。

MOTIVATION: The goal of pharmacogenomics is to predict drug response in patients using their single- or multi-omics data. A major challenge is that clinical data (i.e. patients) with drug response outcome is very limited, creating a need for transfer learning to bridge the gap between large pre-clinical pharmacogenomics datasets (e.g. cancer cell lines), as a source domain, and clinical datasets as a target domain. Two major discrepancies exist between pre-clinical and clinical datasets: (i) in the input space, the gene expression data due to difference in the basic biology, and (ii) in the output space, the different measures of the drug response. Therefore, training a computational model on cell lines and testing it on patients violates the i.i.d assumption that train and test data are from the same distribution.

結果:

本研究では、前臨床データと臨床データの間の入力空間と出力空間の不一致に対処するためのディープニューラルネットワーク手法であるAdversarial Inductive Transfer Learning (AITL)を提案する。AITLは、患者や細胞株の遺伝子発現を入力とし、これらの不一致に対処するために、逆境領域適応学習とマルチタスク学習を用いて、薬物反応を予測し、その結果を出力とする。我々の知る限りでは、AITLは入力と出力の不一致の両方に対応した最初の敵対的帰納的伝達学習法である。実験結果は、AITLが最先端のファーマコゲノミクスと伝達学習のベースラインを凌駕し、より正確に精密腫瘍学を導く可能性があることを示している。

RESULTS: We propose Adversarial Inductive Transfer Learning (AITL), a deep neural network method for addressing discrepancies in input and output space between the pre-clinical and clinical datasets. AITL takes gene expression of patients and cell lines as the input, employs adversarial domain adaptation and multi-task learning to address these discrepancies, and predicts the drug response as the output. To the best of our knowledge, AITL is the first adversarial inductive transfer learning method to address both input and output discrepancies. Experimental results indicate that AITL outperforms state-of-the-art pharmacogenomics and transfer learning baselines and may guide precision oncology more accurately.

利用可能性と実装:

https://github.com/hosseinshn/AITL。

AVAILABILITY AND IMPLEMENTATION: https://github.com/hosseinshn/AITL.

補足情報:

補足データはBioinformatics onlineで入手可能です。

SUPPLEMENTARY INFORMATION: Supplementary data are available at Bioinformatics online.

© The Author(s) 2020. Published by Oxford University Press.