Методы машинного обучения для прогнозирования ответа на лекарственную терапию: проблемы и последние достижения

Рак остаётся одной из ведущих причин смерти в мире. Подбор оптимального лечения с помощью вычислительных моделей для персонализированного прогнозирования ответа на препараты имеет большие перспективы для повышения шансов на успешное выздоровление пациента. Однако задача прогнозирования ответа на лекарственную терапию с помощью вычислительных методов крайне сложна, отчасти из-за ограничений доступных данных, отчасти из-за недостатков алгоритмов. Недавние достижения в области глубокого обучения могут открыть новую главу в разработке моделей прогнозирования лекарственного ответа и в конечном счёте привести к более точным инструментам оценки ответа на терапию. В этом обзоре представлен анализ вычислительных трудностей и достижений в прогнозировании лекарственного ответа; особое внимание уделено сравнению методов машинного обучения с точки зрения их наибольшей практической полезности для практикующих врачей и специалистов, не являющихся экспертами в области машинного обучения. Внедрение новых типов данных, таких как одноклеточное профилирование, а также методов, быстро находящих эффективные комбинации препаратов, вероятно, будет иметь ключевое значение для улучшения помощи больным раком.