MMOct, 2023

通过对比学习增强药物和细胞系的表征,以改进抗癌药物优先级

TL;DR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。