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

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

提出了一种可视化框架，用于可视化深度图形生成模型的编码和解码过程中生成的分子，并提供实时分子优化功能，这完善了黑盒子人工智能驱动的药物发现模型的可解释性。

Jul, 2020

使用深度学习技术来从多个句子的语境中识别适当的语义关系，以解决现有机器学习模型难以从复杂句子中提取关系的问题。本文探讨了用于关系提取的各种深度学习模型的分析。

Sep, 2023

该论文提出了一种新的计算策略，名为 ReLeaSE（增强学习结构进化），通过深度学习和强化学习的方法，利用生成模型和预测模型生成具有预设属性的新型化合物库，此方法可用于生成具有单一或多个属性的有针对性的化合物库。

Nov, 2017

通过建立一个名为 K-DReAM 的知识增强生成模型的框架，该研究提出了一个创新方法，以填补生成模型与广泛生物医学知识之间的差距，利用知识图谱的语义信息引导扩散模型，并结合生成模型的功能扩展，从而产生具有特定特征且具备有效性和可合成性的新药候选物。

Feb, 2024

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

利用基于深度学习的药物响应预测方法可以加快药物研发过程和降低研发成本。通过提出一种基于对比学习的自然语言监督框架，将回归标签转换为文本，并将其与传统的图形和序列模态进行比较，可以在药物响应预测方面取得卓越的预测性能，并能有效约束样本在表示空间中的连续分布。

Dec, 2023

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

本文研究了基于计算机算法的 de novo 药物设计，利用循环神经网络训练生成分子结构，生成分子的性质与原用来训练模型分子的性质很相似。同时，提出使用小型分子集与模型来微调生成分子的活性，可以生成大量的新分子用在药物研发中。

Jan, 2017