小伙伴们大家好，今天跟大家分享一个不错的R包，于2021年发表在Briefings in Bioinformatics（IF：11.622）。这是一个全面分析药物反应以及药物反应标志物的R包，包括了三个算法，让我们来看看如何将这个工具应用到我们的研究当中呢？

oncoPredict: an R package for predicting in vivo or cancer patient drug response and biomarkers from cell line screening data

从细胞系数据预测癌症患者药物反应和生物标志物的R包: oncoPredict

该R包整合了三个主要函数，分别为GLDS，calcPhenotype和IDWAS（），下面为大家介绍下这三个功能。

. oncoPredict包的框架

1. GLDS

GLDS是作者先先前研究中开发的一个识别药物反应相关生物标志物的工具。在这里，作者对该工具做了一些矫正，修改后的模型能够提升标志物识别的效能（）。

输入数据：细胞系中的药物敏感性数据以及表型信息（如体细胞突变，拷贝数变异等）；输出：药物反应相关的生物标志物。

应用：作者在GDSCv2数据集中识别药物相应的标志物，如矫正后的GLDS模型发现了KRAS是奥沙利铂的一个响应标志物，这在先前研究中已被证实。

. 校正后的GLDS可提升生物标志物的识别能力

2. calcPhenotype

该工具使用大规模的基因表达和药物筛选数据来建立岭回归模型，然后应用于新的基因表达数据集，实现预测临床化疗反应。

输入数据：该工具集成了GDSC或CTRP数据作为训练数据集得到的模型，使用者可直接输入基因表达数据来预测药物反应。同时，该工具接受使用者提供自己的训练数据集，来训练模型；输出：预测的药物反应值。

应用：为了评估calcPhenotyp的预测效能，作者在一个卵巢癌临床数据集中预测药物反应，该数据集包括患者对紫杉醇的反应信息和基因表达数据(GSE51373)。作者使用CTRP数据集训练紫杉醇药物反应模型，然后分析预测为敏感和耐药两组病人的临床结果（A）并比较了预测敏感性得分（B）发现该模型效能较好。

. 评估calcPhenotyp方法的效能

3. IDWAS

IDWAS方法是识别药物反应标志物的一种推广模型，与GLDS不同的是，该方法基于人群数据。IDWAS在概念和实现上与GWAS相似，通过输入药物反应与体细胞突变或CNV来衡量药物基因相互作用并识别药物反应的生物标志物。通过利用临床数据集，能够识别在细胞系数据集中看不到的新关系。此外，由于它基于患者的基因组数据，任何发现的生物标志物都与该患者群体相关。

输入数据：患者遗传特征矩阵和药物反应值矩阵（如calcPhenotype功能的输出）。遗传特征可以是一个包含0/1的突变矩阵，也可以是一个包含患者基因CNV水平的CNV矩阵。输出：药物反应标志物。

应用：作者利用calcPhentope方法，基于CTRP数据建立了药物反应模型。并计算了TCGA样本中496种药物的药物反应，然后使用IDWAS方法来筛选这些药物相应的标志物。与先前研究类似，最显著的关联是nutlin-3a（一种MDM2抑制剂）与TP53状态之间的关联（A）。相反，对于selumetinib（一种MEK抑制剂）在KRAS突变环境下更有效（B）。

. 基于患者识别的药物反应标志物

以上就是这个工具包的主要内容，该包下载并打包了最新的CTRP和GDSC数据，为药物反应预测与药物反应标志物的识别提供了一站式服务，并会持续更新。大家在做药物相关研究时可以考虑使用这个R包进行一些分析，如使用calcphenotype在临床数据集中获得药物反应的预测，然后使用IDWAS搜索潜在的生物标志物，并可以对这些标志物进行后续的分析与验证，为你的研究添彩。最后祝大家科研顺利！