癌症的复杂性和对治疗的不同反应使得基于组学序列分析的精准肿瘤学成为当前的标准。然而，每个患者产生的大量数据使得快速确定最佳治疗方案变得困难。为了改善对有效药物 - 细胞系对的学习能力，我们提出使用对比学习来改进药物和细胞系的表示，从而保留与药物作用机制和细胞系癌症类型相关的关系结构。除了相对于现有方法实现了更好的性能外，我们发现使用我们学习到的表示的分类器在进行预测时对药物和细胞系特征的依赖更加平衡。这有助于基于与药物耐药性相关的信号提供更个性化的药物优先级选择。
Oct, 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
本文提出了一种噪声过滤算法，以在更好的质量的癌细胞系上训练机器学习算法，从而更有效地预测药物反应，实现癌症精准治疗。实验结果显示，该方法稳定且具有最高的 AUC。
Dec, 2016
利用深度量子神经网络的结构，提出一种用于预测药物效果的混合量子模型，并在减小的癌症药物敏感性基因组数据集上进行定量分析，表明该型混合量子模型比经典算法预测的药效值高出 15% 以上。
Nov, 2022
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
本研究提出了一种基于 transformer 的神经网络 TCR 来预测抗癌药物的反应，利用注意力机制学习了药物子结构和分子签名之间的相互作用，同时设计了双重损失函数和交叉采样策略以提高预测能力，实验结果表明 TCR 优于其他方法，在独立的体外实验和体内实验中表现出显著的预测效果，具有癌症药物再利用和精准肿瘤治疗的潜在价值。
Jul, 2022
为了提高个体化治疗策略的研究，本文通过引入一种新颖的表示学习方法和弱监督，解决了癌症患者基因组数据和药物响应数据的差异问题，并在真实患者数据上证明了方法的有效性。
May, 2024
癌症个性化治疗是全球面临的一个挑战，在临床和经济上都具有不断增长的负担。为了有效利用临床诊断面板中的基因组分析，需要准确的药物反应预测模型，本研究提出了一种基于转换器的创新方法，超越了基准数据上最先进的药物反应预测模型的性能，同时还设计了一种治疗建议系统，并正在新加坡国立大学医院进行临床试验评估。
Feb, 2024
机器学习在药物开发过程中被广泛应用，然而药物响应预测中的模型解释性是一个重要挑战，本研究通过构建异质图来设计了一种名为 drGAT 的图深度学习模型，用于药物敏感性预测和药物机制的解释，该模型在预测药物敏感性方面表现出优越性能，也能用于寻找与癌症患者治疗相关的生物标志物。
本文探讨了一种替代方法，不再假设用户未交互的物品一定是消极的，而是假设比用户交互过的物品更不受偏爱，并结合最近提出的神经协同过滤框架和新的分类策略提出了一种基于神经网络的协同排名框架。实验结果表明，相比于几种最先进的方法，我们的方法具有更优异的性能。
Aug, 2018