癌症的提前检测、快速诊断以及有效医治一向是现代医学的目标之一。药物基因组学与个性化医疗的结合,能够确保治疗的不良反应最小且功效最大。这种方法依赖于全基因组测序技术以及大量临床试验,其中抗癌药物反应数据(也称药物敏感性数据)是治疗方案参考的重要数据之一。然而,实际获得的抗癌药物反应数据往往存在缺失、损坏以及失真等情况,不利于制定精准抗癌的个性化医疗方案。因此,准确预测肿瘤细胞系对药物的敏感性是一项重要的研究课题。论文以《Nature》期刊上发表的癌症基因组计划(CGP)和癌细胞百科全书(CCLE)两个项目研究结果的数据库为基础,进行抗癌药物敏感性预测。首先,基于相似性假设——基因表达程度相似的细胞系与化学结构相似的药物之间的敏感性也相似,提出了一种基于矩阵填充与相似性约束结合的抗癌药物敏感性预测模型——MS模型。该模型综合利用细胞系基因表达数据以及药物化学结构数据,提取了药物相似性信息与细胞系相似性信息。其次,通过十折交叉验证发现:MS模型中的药物相似性约束对预测贡献较大,而细胞系相似性约束对预测贡献很小。然后在不影响预测效果的前提下,为降低模型复杂度,删除了 MS模型中的细胞系相似性约束,得到MSD模型。最后,结果显示:MSD模型对两大数据库的预测性能优于部分已发表的经典模型。另外,将模型预测的敏感性结果用于二分类问题(细胞系对药物的反应值是敏感的还是耐药的),分类准确率在CCLE数据集上达到0.7,高于其他模型。再次验证了 MSD模型良好的预测性能。以上结果表明:在抗癌药物反应值预测问题上,MSD模型是可供选择的有效工具。