基于多目标优化的网络控制原则，用于识别个性化抗癌药物靶点
摘要：从个体患者的高维个性化基因组学资料识别个性化药物靶点是一项巨大的挑战。最近的结构网络控制原理引入了一种新的方法，通过在个性化基因互作网络中选择最优的驱动基因集来发现个性化药物靶点。然而，目前大多数方法只关注通过最小驱动节点集控制系统，忽视了在个性化基因互作网络中存在多个候选驱动节点集进行治疗药物靶点鉴定的情况。因此，本文提出了基于多目标优化的结构网络控制原理（MONCP），同时考虑到最小驱动节点和最大先验已知药物靶点信息。为了解决MONCP问题，我们制定了一个具有多个约束变量的离散多目标优化问题，并开发了一种新的进化优化模型称为LSCV-MCEA，通过调整多任务框架和基于排名的适应度函数方法。通过使用来自癌症基因组图谱数据库中乳腺癌或肺癌患者的基因组数据，验证了LSCV-MCEA的有效性。实验结果表明，与其他先进方法相比，LSCV-MCEA能够更有效地识别具有用于预测临床注释组合药物的最高曲线下面积得分的个性化药物靶点。同时，LSCV-MCEA在算法收敛性和多样性方面比其他进化优化方法更有效地解决了MONCP问题。特别地，LSCV-MCEA能够高效地检测BRCA癌症的个体患者的疾病信号。研究结果表明，多目标优化能够有效地解决结构网络控制原理，并为了解癌症精准医学中肿瘤异质性提供了新的视角。
作者：Jing Liang, Zhuo Hu, Zong-Wei Li, Kang-Jia Qiao, Wei-Feng Guo
论文ID：2306.13349
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2023-06-26