基于多模态注意力卷积编码器的可解释抗癌化合物敏感性预测

ICMLApr, 2019

基于多模态注意力卷积编码器的可解释抗癌化合物敏感性预测

Towards Explainable Anticancer Compound Sensitivity Prediction via Multimodal Attention-based Convolutional Encoders

Matteo Manica, Ali Oskooei, Jannis Born, Vigneshwari Subramanian, Julio Sáez-Rodríguez...

TL;DR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。

Abstract

In line with recent advances in neural drug design and sensitivity prediction, we propose a novel architecture for interpretable prediction of an

neural drug design anticancer compound sensitivity multimodal attention-based convolutional encoder interpretable prediction personalized therapies

发现论文，激发创造

基于多模态注意力神经网络的抗癌化合物敏感性预测

本文提出了一种新颖的基于多模态注意力神经网络（PaccMann）预测抗癌化合物敏感性的方法，集成了化合物的分子结构、癌细胞的转录组文件以及关于细胞内蛋白质相互作用的先前知识，通过用 SMILES 编码的化合物和癌细胞的基因表达谱预测 IC50 敏感性值，其中基因表达谱采用注意力编码机制编码，通过比较我们设计的模型和基准模型，证明了使用我们的注意力编码器可以超越基准模型，增强了可解释性并使我们能够识别网络用于进行预测的基因、键和原子。

Nov, 2018

基于 GMM 先验的生成式推荐系统用于癌症药物生成和敏感性预测

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

医学图像分割的多尺度自引导注意力

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

基于基因组和化学特性的机器学习预测癌细胞对药物的敏感性

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

基于注意力多视图图自编码器的药物相似性整合

本研究使用多视图图形自编码器模型和注意机制来整合多种药物特征，从而学习准确和可解释的药物相似性度量，实验证明模型能够显著提高预测准确性和模型容量。

Apr, 2018

基于多头注意力机制模型的多组学数据癌症亚型的预测和分析

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

自适应加权特征用于对抗多源领域适应下的单细胞药物敏感性预测

本文提出了一种多源自适应加权模型 scAdaDrug，用于预测单细胞药物敏感性，实验结果表明该模型在预测单细胞数据集、细胞系和患者数据集的药物敏感性方面取得了最先进的性能。

Mar, 2024

癌细胞成像数据的时间和形态药物效应分析自监督学习

本文提出两种新方法对影像数据进行时间和形态表型效应研究并将其验证于 2D 癌细胞培养物中以分析药物效果。通过使用 1 百万张带有多种增强技术和多个裁剪的图像数据进行卷积自编码器的训练，将其作为特征提取器并通过距离分析和 DTW 动态时间规整应用于 31 种药物的时间模式聚类。使用对抗 / 正则化设置改善 31 种药物的分类并可视化图像区域，提高了平均 8％的排名和发现了一些形态特征的重要性图。作者在文中提供了这一特征提取器和权重以促进生物学中的迁移学习应用，并讨论了其他预训练模型的实用性以及该方法对其他类型的生物医学数据的适用性。

Mar, 2022

变分和解释性神经网络用于编码癌症概况和预测药物反应

通过整合具有变分组件的新型神经网络架构和可追踪的基因本体论，VETE 在癌症转录组数据编码中表现出强大的准确性和生物学可解释性，旨在揭示癌症研究中 AI 预测和生物学意义之间的联系。

Jul, 2024

MATE-Pred: 多模态基于注意力的 TCR-Epitope 相互作用预测器

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