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

精准医学中，准确且稳健的药物反应预测至关重要。我们引入 TransCDR，利用迁移学习学习药物表示，并通过自注意机制融合药物和细胞系的多模态特征，预测细胞系对药物的 IC50 值或敏感状态。TransCDR 在预测上显示出比 8 种最先进模型更好的泛化能力，通过在不同情景下从头训练药物编码器的 5 个变体（即 RNN 和 AttentiveFP），TransCDR 的表现也超越其它模型。Extended Connectivity Fingerprint 和基因突变是多种药物标记和组学特征中最关键的贡献因素。此外，基于注意力的融合模块进一步增强了 TransCDR 的预测性能。在 GDSC 数据集上训练的 TransCDR 在外部测试集 CCLE 上表现出强大的预测性能。同时，我们还通过将 TCGA 的 7,675 名患者分类为药物敏感组和药物耐药组，进行基因集富集分析来研究药物反应的生物机制。TransCDR 是一种强大的工具，在药物反应预测中具有重要潜力。源代码和数据可在此 URL 中访问。

Nov, 2023

研究使用 transformers 和语言模型在预测免疫疗法的预后预测中的潜力，改善临床预测。通过在多种癌症类型上跨比较，该研究发现使用 NLP 在临床研究中可以显著提高准确性，有助于不同疾病的早期检测和干预。

Feb, 2023

提出了用于药物反应预测的解耦双变压器结构，用于表示细胞系基因组和药品的结构，以解决 GNN 方法只能提取节点信息，传统 transformer 方法无法提取与节点之间的化学键相关的信息，以及 CNN 方法无法全局感知序列信息等问题，并在所有评估指标中优于当前主流方法。

Oct, 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

该研究利用神经网络学习基因组表示，以预测癌症患者的生存情况，并证明该方法相较现有的生存分析方法具有优势。

Sep, 2016

该研究通过对当前的药物靶标相互作用预测数据集和预测模型进行深入评估，发现基于推导模型的药物靶标相互作用预测方法缺乏泛化性，已有的评估方法导致性能夸大，因此不适用于药物再利用方法。鉴于此，提出了一种新颖的生物学驱动的负边缘子采样策略，并通过体外验证表明新发现的相互作用确实是真实的。该研究为未来公平的基准测试和稳健的模型设计奠定了基础。所有生成的资源和工具都作为 Python 软件包公开可用。

Nov, 2023

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

本文介绍了一种利用多头自注意力机制的深度学习方法 Gene Transformer，用于对基因表达数据进行肺癌亚型分类，效果比传统算法更好，此方法有望在计算生物学中得到更好的应用。

Aug, 2021

免疫治疗在癌症治疗方面展现出了希望。目前的研究结果显示，免疫治疗药物在处理肿瘤方面具有高效性，与传统化疗方法相比，患者的生存率明显提高，并且副作用减少。然而，适用于免疫治疗的患者数量相对较小，这表明对于为什么某些个体对治疗有积极反应而其他人效果有限缺乏全面的了解。为解决这个问题，作者提出了一种创新策略，利用非线性的细胞结构和深度下游分类器，来选择并增强从胸腹部 CT 图像中提取的 2D 特征，从而提高治疗结果的预测能力。所提出的流程能够与先进的嵌入式治疗设备无缝集成。在这个背景下，作者提出了一个针对转移性膀胱上皮癌（mUC）的引人注目案例研究。对所提方法的性能评估强调了其有效性，总体准确率达到了约 93%。

Jul, 2023