DeepDTF：用于多组学抗癌药物反应预测的双分支Transformer融合
机器学习
2026-03-26 v1
摘要
癌症药物反应因多层分子异质性而在肿瘤之间差异巨大，推动了为精密肿瘤学提供计算决策支持。尽管近期在深度药物反应模型方面取得了进展，但在高维多组学与化学结构药物之间建立稳健的对齐仍然具有挑战性，这源于跨模态错位和有限的归纳偏差。我们提出DeepDTF，一个用于联合log(IC50)回归和药物灵敏度分类的端到端双分支Transformer融合框架。细胞系分支使用针对不同组学轮廓的模态特定编码器，并采用Transformer模块捕获长程依赖；药物分支将化合物表示为分子图，并通过GNN-Transformer对其进行编码，以整合局部拓扑与全局上下文。通过基于Transformer的模块对组学和药物表示进行融合，建模跨模态相互作用并缓解特征错位。在5折冷启动细胞系评估下，DeepDTF在各种组学设置下均一致优于强基准，采用完整多组学输入时，RMSE最高可达1.248，R²最高可达0.875，AUC最高可达0.987；同时将分类错误(1-ACC)降低9.5%。除了准确率外，DeepDTF通过基于SHAP的基因归因和预排序GSEA通路富集，提供了来自生物学依据的解释。
引用
@article{arxiv.2603.24265,
title = {DeepDTF: Dual-Branch Transformer Fusion for Multi-Omics Anticancer Drug Response Prediction},
author = {Yuhan Zhao and Jacob Tennant and James Yang and Zhishan Guo and Young Whang and Ning Sui},
journal= {arXiv preprint arXiv:2603.24265},
year = {2026}
}
备注
7 Pages, 4 figures