本文提出了一种新的方法，使用具有所有节点连接的虚拟超级节点来表示整张图并改进图像运算以帮助超级节点学习整体特征，同时采用集中损失来处理药物数据集中的类别不平衡问题。该方法显著提高了小分子属性预测的性能。

Sep, 2017

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

本研究提出了多种分子图表示法，探究了它们对模型学习和解释的影响，结果显示将原子图表示和减少的分子图表示相结合可以产生具有前途的模型性能。 此外，解释结果可以提供与背景知识一致的重要功能和潜在子结构。这些多个分子图表示和解释分析可以提高模型理解，并促进药物发现相关应用。

Apr, 2023

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

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

机器学习在药物开发过程中被广泛应用，然而药物响应预测中的模型解释性是一个重要挑战，本研究通过构建异质图来设计了一种名为drGAT的图深度学习模型，用于药物敏感性预测和药物机制的解释，该模型在预测药物敏感性方面表现出优越性能，也能用于寻找与癌症患者治疗相关的生物标志物。

May, 2024

利用图卷积网络和张量分解技术，本研究引入了一种先进的图模型，可以有效预测有符号的化学基因相互作用，展现出更高的预测性能，特别适用于处理生物网络中的极性关系，为药物发现和再利用开辟了新的途径，特别是在理解药物作用机制方面。

Jul, 2024

本研究解决了现有图解释算法缺乏生物学意义的问题，限制了其在癌症药物反应预测中的应用。提出的CETExplainer算法采用可控的边类型特定加权机制，结合子图与预测之间的互信息，提供生物学上有意义的细粒度解释。实证分析表明，CETExplainer在解释质量和稳定性上相较于现有算法具有显著提升，成为癌症药物预测的重要工具。

Aug, 2024

本研究针对现有图神经网络解释算法忽视生物学重要性的问题，提出了CETExplainer，这是一种新颖的后验可解释性算法，能够提供可控的边类型特定加权机制。通过实证分析，我们发现CETExplainer在药物反应预测中的稳定性和解释质量显著优于现有的领先算法，为癌症药物预测提供了强大的工具。

Aug, 2024