Jun, 2023

SynerGPT: 基于上下文学习的个性化药物协同效应预测和药物设计

PDF
TL;DR预测协同药物组合有助于加快癌症治疗的发现，特别是通过活体检测的细胞对患者进行个体化治疗。本文提出了一种新的背景下药物协同学习的设置和模型，利用既有的 “个性化数据集” 来预测在该背景下的其他药物协同关系。该模型结合遗传算法优化模型提示并选择协同候选药物进行测试，最终探索了逆向药物设计的新任务，有潜力设计与特定患者的 “个性化数据集” 相契合的药物。本研究对精准肿瘤医学可能产生重要影响，同时也引发了关于非文本预训练语言模型的有趣问题。
synergistic drug combinationscancer treatmentspersonalized datasetin-context drug synergy learninginverse drug design
发现论文，激发创造
  • CancerGPT: 利用大型预训练语言模型进行少样本药物配对协同作用预测

    本研究利用大型预训练语言模型进行无多样本协同抗癌药物研究，其中提出了 CancerGPT 模型，并取得了较好的实验效果，该模型对于生物反应预测任务具有应用潜力。

    Apr, 2023

  • 药物协同作用预测的新方法

    本文通过探索基于高通量组合筛选的新的药物组合协同性预测方法，总结了 2021 年以来发表的三十多种原始机器学习方法，其中绝大多数基于深度学习技术。我们旨在通过突出核心技术、数据来源、输入数据类型、以及方法中使用的协同性评分、预测场景和评估协议，对这些论文进行统一的观察。我们发现，最好的方法能够准确解决已知药物或细胞系参与的协同性预测，然而当涉及到新的药物或细胞系时，准确预测的水平仍然有待提高。

    Apr, 2024

  • GPT-3 对抗癌药物敏感性预测的评估

    利用结构化药理基因组学数据，在五种组织类型上研究了 GPT-3 在抗癌药物敏感性预测任务中的潜力，并通过零样本提示和微调范例评估了其性能。通过药物的 smile 表示和细胞系的基因组突变特征可以预测药物反应。这项研究的结果有潜力为精准肿瘤学中设计更有效的治疗方案铺平道路。

    Sep, 2023

  • 上下文学习的贝叶斯催化剂优化

    为了实现无特征或结构调整的上下文学习回归，我们展示了一个提示系统，结合了不确定性，使得大语言模型能够以自然语言处理的方法进行催化剂或分子优化的贝叶斯优化，从而消除了训练或模拟的需要。

    Apr, 2023

  • 将 ContextGPT 的知识融入神经符号活动识别模型

    基于深度学习模型，上下文感知的人类活动识别是移动计算领域的热点研究方向。然而，这些系统的实际部署受到标注数据稀缺的限制。基于神经符号人工智能领域的研究提出了使用常识知识来缓解此问题，在人类活动识别深度学习分类器中融入关于人类活动及其上下文的常识知识。本研究中，我们提出了 ContextGPT: 一种新的提示工程方法，用于从大型语言模型中检索关于人类活动与上下文关系的常识知识。与本体论不同，ContextGPT 所需的人力和专业知识较少。在两个公共数据集上进行的广泛评估表明，通过从 ContextGPT 中融入常识知识获得的 NeSy 模型，在数据稀缺场景中具有类似甚至更好的识别率，比基于逻辑的方法需要更少的工作量。

    Mar, 2024

  • 个性化药物识别器：利用辅助信息的癌症治疗推荐系统

    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

  • CongFu: 用于药物协同作用预测的条件图融合

    本文介绍一种基于 CongFu 的全新条件图融合层，该层使用注意机制和瓶颈提取局部图形上下文，并在全局上下文中有条件地融合图形数据，用于预测药物协同作用，实验结果证明，CongFu 可以捕捉到药物协同作用的复杂模式，为优化药物组合和推进个性化医学开辟了新途径。

    May, 2023

  • 基于 Transformer 深度学习架构的上下文化药物信息提取

    研究开发了自然语言处理（NLP）系统，用于从临床叙述中提取上下文药物信息，证明大型转换模型的优势。

    Mar, 2023

  • 上下文中学习物理性质：对于超出分布的分子图的少样本适应性

    在这项研究中，我们探讨了如何利用大语言模型中的上下文学习来预测非分布材料特性，并通过将 GPT-2 作用于几何感知图神经网络的输出，实现了对原子级几何特征的传递，大大提高了模型在非分布示例上的性能，并超越了一般图神经网络模型。

    Jun, 2024

  • 基于最近邻的上下文动态学习用于束生成

    利用大型语言模型的逻辑推理能力，本文探索个性化捆绑生成和基于用户交互的意图推断这两个相关的任务，通过引入动态上下文学习范式，使 ChatGPT 能从相关会话中的示范中获取量身定制和动态的教训，并在目标会话中执行任务。实验结果在三个真实数据集上证实了我们方法在这两个任务上的有效性。此外，推断的意图对于其他有趣的下游任务，如设计吸引人的捆绑名称，也能发挥作用。

    Dec, 2023