提出了一种基于多模态注意力卷积编码器的新型架构，用于解释性预测抗癌化合物的敏感性，通过化合物结构，肿瘤基因表达谱和蛋白质相互作用网络中的先前知识进行建模，该模型在多模态药物敏感性预测方面表现出卓越的性能，具有解释性，可以开发个性化治疗方法以及进行候选药物的评估。

Apr, 2019

我们提出了一种监督式多头注意机制模型（SMA）来成功分类癌症亚型。SMA 模型的注意机制和特征共享模块可以成功学习多组学数据的全局和局部特征信息。通过与 AE、CNN 和 GNN 等模型在模拟、单细胞和癌症多组学数据集上进行广泛实验验证，SMA 模型相比其他模型在准确性、F1 宏观值、F1 加权值和癌症亚型分类上取得了最高的精度，因此为基于多组学数据的未来研究做出了贡献。

Aug, 2023

机器学习模型结合细胞基因组特征和药物化学特征，可以预测癌细胞株对治疗药物的敏感度，从而设计更优化的虚拟药物筛选来发现新型抗肿瘤药物的机会并最终应用于个性化医疗。

Dec, 2012

MATE-Pred 是一种高度可靠的新方法，通过多模式注意力机制预测 T 细胞受体和表位结合亲和力，展示了多模式模型在从氨基酸残基中高效捕捉上下文、物理化学和结构信息的潜力，以及在各种药物发现方案中的潜在应用。

Dec, 2023

将递归神经网络与卷积网络以层次化方式结合，可以从 SMILES 字符串中提取自回归信息并保持信号和长程依赖关系，从而实现了在重构已知分子时非常高的有效性率达到 95%。同时，我们观察到测试集和重构分子之间的平均 Tanimoto 相似性为 0.6，这表明我们的方法在使用类似方法的先前工作中比较有效地将 SMILES 字符串与其学习表示之间进行映射。

Jan, 2024

利用大规模的药物反应数据，开发了两种基于神经网络的药物列表排序方法来优先选择最敏感药物，结果表明我们提出的方法具有更高的命中率，并且通过聚类结构可以捕捉与生物特征相关的信息。

Jun, 2023

通过在 Transformer 中使用原子间距离和分子结构来扩充注意力机制，我们提出了 Molecule Attention Transformer（MAT）神经网络模型，其可以在一系列不同的分子预测任务中以竞争优势表现。并且，我们展示了一个简单的自监督预训练可以让 MAT 以很少的超参数调整就达到最新技术水平，并且 MAT 学习到的注意力权重可以从化学角度解释。

Feb, 2020

利用领域知识和深度学习方法，提出了一种半监督深度学习模型，旨在从蛋白质序列中预测化合物与蛋白质相互作用并对其进行解释，表现优于传统方法，并采用转移学习进一步提高了新型蛋白质的预测效果以及对筛选药物的解释性能。

Jun, 2018

VADEERS 是一种基于变分自编码器的药物疗效评估推荐系统，实现了对具有特定属性的化合物的生成和其对癌细胞敏感性的模型建模，并达到了高度相关的预测效果。

Jun, 2022

采用引导自我关注机制的卷积神经网络模型对医学图像进行语义分割，能够更好地捕捉图像中的上下文依赖关系，去除冗余的信息提取并集成本地特征和全局依赖，强调相关特征关联，从而取得更好的分割效果。

Jun, 2019