DrDimont: erklärbare Vorhersage der Arzneimittelreaktion anhand der Differentialanalyse von Multi-Omics-Netzwerken

Motivation: Es ist zwar allgemein bekannt, dass Medikamente auf unterschiedliche Weise auf Patienten wirken und ihnen helfen, aber personalisierte Prognosen zur Arzneimittelreaktion sind nach wie vor eine Herausforderung. Es wurden Lösungen vorgeschlagen, die auf einzelnen Omics-Messungen basieren, und Netzwerke bieten die Möglichkeit, molekulare Interaktionen in die Argumentation einzubeziehen. Die Integration der Fülle an Informationen, die in mehreren Omics-Ebenen enthalten sind, stellt jedoch immer noch ein komplexes Problem dar.

Ergebnisse: Wir präsentieren DrDimont, Vorhersage der Arzneimittelreaktion aus der Differentialanalyse von Multi-Omics-Netzwerken. Es ermöglicht vergleichende Schlussfolgerungen zwischen zwei Erkrankungen und übersetzt sie in unterschiedliche Vorhersagen zur Arzneimittelreaktion. Dr. Dimont konzentriert sich auf molekulare Interaktionen. Es baut zustandsspezifische Netzwerke auf der Grundlage von Korrelationen innerhalb einer Omics-Schicht auf, die dann reduziert und zu heterogenen molekularen Multi-Omics-Netzwerken kombiniert werden. Ein neuartiger halbolokaler, pfadbasierter Integrationsschritt gewährleistet integrative Schlussfolgerungen. Differentielle Vorhersagen werden aus dem Vergleich der zustandsspezifischen integrierten Netzwerke abgeleitet. Die Vorhersagen von Dr. Dimont sind erklärbar, d. h. molekulare Unterschiede, die die Ursache für hohe unterschiedliche Arzneimittelwerte sind, können abgerufen werden. Wir sagen anhand von Transkriptomik-, Proteomik-, Phosphosit- und Metabolomik-Messungen ein unterschiedliches Ansprechen auf Medikamente bei Brustkrebs voraus und stellen Östrogenrezeptor-positive und rezeptornegative Patienten gegenüber. Dr. Dimont schneidet besser ab als die Vorhersage von Medikamenten, die auf der differentiellen Proteinexpression oder dem PageRank basieren, wenn wir es anhand von Ground-Truth-Daten von Krebszelllinien evaluieren.