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

癌症个性化治疗是全球面临的一个挑战，在临床和经济上都具有不断增长的负担。为了有效利用临床诊断面板中的基因组分析，需要准确的药物反应预测模型，本研究提出了一种基于转换器的创新方法，超越了基准数据上最先进的药物反应预测模型的性能，同时还设计了一种治疗建议系统，并正在新加坡国立大学医院进行临床试验评估。

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

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

利用临床报告来实现弱标签监督学习以提高癌症检测的准确性。通过将诊断和肿瘤位置文本提示整合到视觉语言模型的文本编码器中，可以有效地在视觉语言模型的潜在空间中进行弱监督学习的优化，从而提高训练的稳定性。在大规模癌症数据集上的广泛数量实验结果验证了我们的方法可以将人工标注工作量减少至少 70%，同时保持与竞争的全监督方法相当的癌症检测准确性（AUC 值 0.961 vs 0.966）。

May, 2024

利用大规模的药物反应数据，开发了两种基于神经网络的药物列表排序方法来优先选择最敏感药物，结果表明我们提出的方法具有更高的命中率，并且通过聚类结构可以捕捉与生物特征相关的信息。

Jun, 2023

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

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

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

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