解决个性化联合药物筛选的冷启动问题
机器学习
2025-09-10 v1
摘要
个性化肿瘤学中的联合治疗需要导航巨大的药物和剂量组合空间，这一任务通过穷举实验仍然难以实现。患者来源模型的最新发展使得高通量体外筛选成为可能，但可行的实验数量有限。此外，紧凑的治疗窗口使得收集分子谱型信息（如 RNA-seq）作为指导药物反应预测的手段不切实际。这导致了一个具有挑战性的冷启动问题：当没有关于患者的先验信息时，如何选择最具信息量的组合进行早期测试？我们提出了一种利用基于历史药物反应数据训练的预训练深度学习模型的策略。该模型提供药物组合的嵌入以及剂量级重要性分数，从而实现初始实验的原则性选择。我们结合药物嵌入的聚类以确保功能多样性，以及一种基于历史信息量优先排序剂量的加权机制。在大规模药物组合数据集上的回顾性模拟表明，我们的方法相比基线显著提高了初始筛选效率，为个性化联合药物筛选的早期阶段决策提供了可行的路径。
引用
@article{arxiv.2509.07850,
title = {Addressing the Cold-Start Problem for Personalized Combination Drug Screening},
author = {Antoine de Mathelin and Christopher Tosh and Wesley Tansey},
journal= {arXiv preprint arXiv:2509.07850},
year = {2025}
}