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

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

该研究介绍了多个新的生成对抗网络模型，基于参数化量子电路与已知的生成对抗网络相结合，利用强化学习原理构建了一个新的多参数奖励函数。实验结果表明，这些模型在基准药物设计数据集 QM9 和 PC9 上表现优于以前的模型，尤其是在药物类似性定量估计方面提高了最多 30%。这些新的混合量子机器学习算法以及实现的药代动力学性质分数有助于快速准确的药物发现过程的发展。

Dec, 2023

该论文使用 VQ-VAE 模型解决了癌症亚型的聚类问题，并在多个数据集上进行广泛实验和医学分析，并证明该方法能够显著和稳健地改善对癌症分型系统的预测。

Jul, 2022

通过开发稀疏量化方法，我们的研究在多个领域中不断提升了基准模型的性能，实现了最先进的结果。

Dec, 2023

引入了 VQDNA，一个从基因词汇学习的角度改进基因标记化的通用框架；通过利用可学习的词汇的向量量化码书，VQDNA 可以自适应地将基因标记化为具有模式感知的嵌入结果；通过在层次结构中设计不同尺度的码书，提出了层次残差量化方法（HRQ）。在 32 个基因数据集上的广泛实验表明，与现有的基因语言模型相比，VQDNA 具有卓越的性能和有利的参数效率。值得注意的是，对 SARS-CoV-2 突变的经验分析揭示了学习 HRQ 词汇的细粒度模式感知和生物学意义，突显了其在基因组学中更广泛应用的潜力。

May, 2024

本研究提出了一种新的混合量子 - 经典深度学习模型，用于药物发现中的结合亲和力预测，并通过在优化的量子架构中同时整合 3D 和空间图卷积神经网络，模拟结果显示与现有经典模型相比，预测准确度提高了 6％，收敛性能明显更稳定。

Sep, 2023

在机器学习中，剂量 - 反应预测是癌症领域的一个活跃应用领域。该研究使用大型 extit {in-vitro} 药物敏感性筛选库，旨在开发准确的预测模型，用于指导实验设计或决策治疗。通过改进以前的工作，利用置换不变的多输出高斯过程，我们开发了一种变分近似模型，以提供可扩展性建模，并对缺失数据进行自然处理。此外，我们提出使用深度生成模型以连续方式编码化学空间，从而能够预测新药物和新组合。我们在简单的高通量数据集中展示了模型的性能，并证明该模型能够有效地借用输出信息。

Jun, 2024

通过使用可微分的凸优化方法，Soft Convex Quantization (SCQ) 成为对传统的 Vector Quantization (VQ) 的替代品，并在图像重构和编码速度等方面取得了显著的改进。

Oct, 2023

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