[Deep Tensor Factorization] Deep Tensor Factorization For Predicting Anticancer Drug Synergy_2020

 

" Deep Tensor  Factorization For Predicting Anticancer Drug Synergy "  논문을 읽고 정리한 글이다. 

 

Abstract 

Deep Tensor Factorization (DTF) 은 Tensor factorization + Deep Neural Network (DNN) 을 결합한 모델이다. Tensor factorization 을 이용해서 의미있는 요소를 뽑아내고 DNN을 이용해서 synergy 의 여부를 classify 한다. 다른 모델들 (deepsynergy, logistic regression models) 보다 성능이 뛰어날 뿐 아니라 synergy를 내는 새로운 drug combination을 예측 할 수 도 있다.

---

Physicochemical properties를 이용해서 해당 drug combination 이 synergy 를 만들어내는지 아닌지를 ML/ DL으로 구할 수 있다. 여기에 데이터의 구조를 multy-way array 즉 tensor 로 바꿔서 훈련시킬 수 있다. Tensor을 이용하면 rank* 특징을 이용해 tensor decomposition 을 하여 데이터의 complexity 를 줄일 수 있을 뿐 아니라 hidden patterns을 찾거나 classification을 수행 할 수도 있다. 가장 흔한 decomposition 방법은 CANDECOMP/PARAFAC (CP)이다. 이는 weighted leasest squres problem 으로 first order optimization을 이용한다. 좀더 최근 방법은 CP Weighted OPTimization (CP-WOPT) 로 higher order factorization 을 이용한다. CP-WOPT를 이용해서 데이터의 missing entries를 채울 수 있고 output 은 sequence of rank-one tensors / factor matrix [[A, B, C]]로 표현된다. 이는 추후 DNN모델을 훈련시킬 feature 데이터로 사용가능하다. 

 

 

The workflow of the proposed DTF model. ( A ) Data collection and preprocessing. The drug-drug synergy (DDS) data were collected to construct tensors, which were binarized to create synergy status, serving as labels to train the DNN. ( B ) Construct the tensor with missing values and decompose it using CP-WOPT. The results of the tensor factorization are used as features to train the DNN. ( C ) Build and train the DNN. Use the labels obtained from Step A and the features generated from Step B to train the DNN for predicting the synergy status of a given drug pair

 

 

2021.10.19 - [Mater dissertion] - [Rank Decomposition] Rank of matrix개념, CP decomposition 

[Rank Decomposition] Rank of matrix개념, CP decomposition