Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Efficiency and Effectiveness Metrics in Evolutionary Algorithms and Their Application Kapitel lesen Erstes Kapitel lesen

2015 | OriginalPaper | Buchkapitel

Prediction of Clinical Drug Response Based on Differential Gene Expression Levels

verfasst von : Zhenyu Yue, Yan Chen, Junfeng Xia

Erschienen in: Intelligent Computing Theories and Methodologies

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

We demonstrated a new method for the prediction of in vivo drug sensitivity using before-treatment baseline tumor gene expression data. First, we fitted ridge regression models for differential gene expression against drug sensitivity in a large panel of cell lines. Following data homogenization and filtering, drug response was predicted based on baseline expression levels from primary tumor biopsies. We validated this approach on two clinical trial datasets, and obtained predictions better than those from whole-genome gene expression. The findings may point out new directions for the prediction of anticancer drug sensitivity and the development of personalized medicine.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Oscillatory Behavior of the Solutions for a Coupled van der Pol-Duffing Oscillator with Delay
Nächstes Kapitel SVM-Based Classification of Diffusion Tensor Imaging Data for Diagnosing Alzheimer’s Disease and Mild Cognitive Impairment
Literatur
1.
Barretina, J., Caponigro, G., Stransky, N., et al.: The cancer cell line encyclopedia enables predictive modelling of anticancer drug sensitivity. Nature 483(7391), 603–607 (2012)CrossRef
2.
Garnett, M.J., Edelman, E.J., Heidorn, S.J., et al.: Systematic identification of genomic markers of drug sensitivity in cancer cells. Nature 483(7391), 570–575 (2012)CrossRef
3.
Kim, N., He, N., Yoon, S.: Cell line modeling for systems medicine in cancers (review). Int. J. Oncol. 44(2), 371–376 (2014)
4.
Masica, D.L., Karchin, R.: Collections of simultaneously altered genes as biomarkers of cancer cell drug response. Cancer Res. 73(6), 1699–1708 (2013)CrossRef
5.
Menden, M.P., Iorio, F., Garnett, M., et al.: Machine learning prediction of cancer cell sensitivity to drugs based on genomic and chemical properties. PLoS One 8(4), e61318 (2013)CrossRef
6.
Papillon-Cavanagh, S., De Jay, N., Hachem, N., et al.: Comparison and validation of genomic predictors for anticancer drug sensitivity. J. Am. Med. Inf. Assoc. 20(4), 597–602 (2013)CrossRef
7.
Van De Vijver, M.J., He, Y.D., van’t Veer, L.J., et al.: A gene-expression signature as a predictor of survival in breast cancer. N. Engl. J. Med. 347(25), 1999–2009 (2002)CrossRef
8.
Sotiriou, C., Wirapati, P., Loi, S., et al.: Gene expression profiling in breast cancer: understanding the molecular basis of histologic grade to improve prognosis. J. Natl. Cancer Inst. 98(4), 262–272 (2006)CrossRef
9.
Geeleher, P., Cox, N.J., Huang, R.S.: Clinical drug response can be predicted using baseline gene expression levels and in vitro drug sensitivity in cell lines. Genome Biol. 15(3), R47 (2014)CrossRef
10.
Yang, W., Soares, J., Greninger, P., et al.: Genomics of drug sensitivity in cancer (GDSC): a resource for therapeutic biomarker discovery in cancer cells. Nucleic Acids Res. 41(Database issue), D955–D961 (2013)CrossRef
11.
Chang, J.C., Wooten, E.C., Tsimelzon, A., et al.: Gene expression profiling for the prediction of therapeutic response to docetaxel in patients with breast cancer. Lancet 362(9381), 362–369 (2003)CrossRef
12.
Mulligan, G., Mitsiades, C., Bryant, B., et al.: Gene expression profiling and correlation with outcome in clinical trials of the proteasome inhibitor bortezomib. Blood 109(8), 3177–3188 (2007)CrossRef
13.
Cule, E., De Iorio, M.: Ridge regression in prediction problems: automatic choice of the ridge parameter. Genet. Epidemiol. 37(7), 704–714 (2013)CrossRef
14.
Ihaka, R., Gentleman, R.R.: A language for data analysis and graphics. J. Comput. Graph. Stat. 5(3), 299–314 (1996)
15.
Hall, M., Frank, E., Holmes, G., Pfahringer, B., et al.: The WEKA data mining software: an update. ACM SIGKDD Explor. Newslett. 11(1), 10–18 (2009)CrossRef
16.
Gentleman, R., Carey, V., Huber, W., Hahne, F.: Genefilter: methods for filtering genes from microarray experiments. R Package Version 1(0) (2011)
17.
Arel, I., Rose, D.C., Karnowski, T.P.: Deep machine learning-a new frontier in artificial intelligence research [research frontier]. IEEE Comput. Intell. Mag. 5, 13–18 (2010)CrossRef
Metadaten
Titel
Prediction of Clinical Drug Response Based on Differential Gene Expression Levels
verfasst von
Zhenyu Yue
Yan Chen
Junfeng Xia
Copyright-Jahr
2015
Buch
Intelligent Computing Theories and Methodologies

Print ISBN: 978-3-319-22185-4

Electronic ISBN: 978-3-319-22186-1

Copyright-Jahr: 2015

DOI
https://doi.org/10.1007/978-3-319-22186-1_48