通过域适应网络和特征解耦，本文提出了一种建模肿瘤微环境对临床药物效应影响的方法，并在基准数据集上验证了其在预测临床药物响应和解析肿瘤微环境影响方面的优越性能。

Nov, 2023

本研究使用多视图图形自编码器模型和注意机制来整合多种药物特征，从而学习准确和可解释的药物相似性度量，实验证明模型能够显著提高预测准确性和模型容量。

Apr, 2018

提出了一种基于多模态注意力卷积编码器的新型架构，用于解释性预测抗癌化合物的敏感性，通过化合物结构，肿瘤基因表达谱和蛋白质相互作用网络中的先前知识进行建模，该模型在多模态药物敏感性预测方面表现出卓越的性能，具有解释性，可以开发个性化治疗方法以及进行候选药物的评估。

Apr, 2019

提出了一种自适应的、基于条件分布的加权对抗领域适应方法，将三元损失与对抗损失结合应用于度量学习，以保证类别级别的对齐；实验结果表明，该方法在标准领域适应数据集上优于现有方法。

May, 2020

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

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

本文提出了一种噪声过滤算法，以在更好的质量的癌细胞系上训练机器学习算法，从而更有效地预测药物反应，实现癌症精准治疗。实验结果显示，该方法稳定且具有最高的 AUC。

Dec, 2016

基于表型的筛选方法在识别具有活性的化合物方面引起了广泛的关注。本文提出了一种基于编码 - 解码架构的深度学习框架，可以将初始细胞状态映射到潜在空间中，其中假设药物对细胞状态的影响符合线性可加性。通过引入循环一致性约束条件，我们可以强制要求经过药物干扰的初始细胞状态产生受扰动的细胞响应，反之亦然，从受扰动的细胞状态中去除药物干扰则会恢复到初始细胞状态。循环一致性约束条件和潜在空间中的线性建模能够学习可解释且可迁移的药物干扰表示，从而使我们的模型能够预测对未知药物的细胞响应。我们在三种不同类型的数据集上验证了我们的模型，包括批量转录响应、批量蛋白响应以及单细胞转录响应对药物扰动。实验结果显示，我们的模型比现有的最先进方法取得了更好的性能。

Nov, 2023

本文提出了一种新颖的基于多模态注意力神经网络（PaccMann）预测抗癌化合物敏感性的方法，集成了化合物的分子结构、癌细胞的转录组文件以及关于细胞内蛋白质相互作用的先前知识，通过用 SMILES 编码的化合物和癌细胞的基因表达谱预测 IC50 敏感性值，其中基因表达谱采用注意力编码机制编码，通过比较我们设计的模型和基准模型，证明了使用我们的注意力编码器可以超越基准模型，增强了可解释性并使我们能够识别网络用于进行预测的基因、键和原子。

Nov, 2018

提出了一种重建偏差引导的生成框架 ACSleuth，用于检测异常细胞并进行领域适应和细粒度注释，通过使用生成模型输出的重建偏差进行异常检测，优于现有方法，在多样本和多域环境中鉴别和细分异常细胞。

Apr, 2024