非小細胞性肺がんの薬剤応答解析のための解釈可能な機械学習フレームワーク

概要: 肺がんとは、肺の中で悪性細胞が異常に増殖し、制御不能な形で広がる状態である。一般的な治療戦略には手術、化学療法、放射線治療があるが、がんの異質性のため最良の選択肢とは言えない。個別化医療においては、治療は個人の遺伝情報と生活習慣の要素に合わせて調整される。さらに、AIを用いた深層学習法は膨大なデータを分析して、がんの早期兆候、腫瘍のタイプ、治療の見通しを見つけることができる。本論文は、主に遺伝子プロファイルに焦点を当てた特定の患者データを用いて、個別化治療計画の開発を推進することに焦点を当てている。Genomics of Drug Sensitivity in Cancer のマルチオミクスデータを用いて、機械学習技術とともに予測モデルを構築した。目標変数 LN-IC50 の値は、薬剤がどれだけ感受性があるか、または耐性があるかを決定する。XGBoost 回帰モデルを利用して、がんデータセットから抽出された分子および細胞の特徴に焦点を当てて薬物反応を予測する。ハイパーパラメータの調整を目的として、交差検証とランダム探索を実行し、モデルの予測性能をさらに最適化した。説明の目的で、SHAP（SHapley Additive exPlanations）が使用された。SHAP値は、個々の予測に対する各特徴の影響を測定する。さらに、特徴量間の関係の解釈は、DeepSeek を用いて実施された。DeepSeek は、特徴の生物学的妥当性を検証するように訓練された大規模言語モデルである。最も重要な遺伝子や経路に関する文脈的説明は、DeepSeek によって、上位の SHAP 値の成分とともに提供され、モデルの予測可能性をサポートした。