Predicting responsiveness to specific anti-cancer drugs to select the best treatment strategy for each cancer patient is an important topic in modern personalized therapy. With the development of large scale high- throughput experimental techniques, massive amounts of drug response data against human cancer cell lines and chemical compounds have been accumulated. Thus, it became feasible to construct drug response prediction computational model from these data. In this study, we constructed a computational model that can exactly predict drug response using deep learning techniques and drug response data from GDSC database. Convolutional neural network models are used to compress high dimensional gene expression data. And we introduce new drug feature calculation method based on structural similarity of drugs. Our prediction models achieved higher prediction performance than existing drug response prediction models. In addition, we predicted the missing value of the GDSC database using proposed model. Our model could successfully predict sensitivity of the cancer cell line with the BRAF mutation to the MEK1 / 2 inhibitor even though the mutation information was not directly used.
암 환자마다 최적의 치료 약물을 선택할 수 있도록 특정한 항암 약물에 대한 반응성을 예측하는 것은 현대 개인 맞춤형 치료의 실현에 있어서 중요한 주제이다. 대량신속처리 실험 기법들의 발달에 따라 수많은 암 세포주의 항암 약물 반응 데이터가 누적되었고, 이를 통해 약물 반응 예측 계산 모델을 생성할 수 있게 되었다. 본 연구에서 우리는 심층학습기법과 GDSC 데이터베이스의 약물 반응 데이터를 이용해 정확하게 약물 반응을 예측할 수 있는 계산 모델을 구축하였다. 콘볼루션 신경망의 구조를 이용해 고차원 유전자 발현 데이터를 압축하고, 약물의 구조 유사성에 기반한 새로운 속성값 계산 방법을 도입하여 기존의 약물 반응 예측 모델보다 높은 예측 성능을 달성하였다. 또한 GDSC 데이터베이스의 결측값을 제안 모델로 예측 하였는데 돌연변이 정보를 직접적으로 사용하지 않았음에도 불구하고 BRAF 돌연변이를 가진 암 세포주가 MEK1/2 억제제에 민감하게 반응하는 것을 성공적으로 예측 할 수 있었다.
