基于傅里叶非对称注意力的域概括框架用于 Pan-Cancer 药物反应预测

药物反应的精准预测始终是一 formidable 挑战，尤其是在单细胞水平和临床治疗情境下。一些研究采用迁移学习技术预测单个细胞和患者的药物反应，但需要在训练期间访问目标域数据，而这类数据往往不可得或只能在未来获取。本研究提出一种新颖的域概括框架，称为 FourierDrug，用于应对这一挑战。给定从表达轮廓中提取的特征，我们进行傅里叶变换，然后引入非对称注意力约束，使对药物敏感样本在频域中聚集成紧密团块，而对抗药样本则分散。我们的实验结果表明，该模型有效地从多样化的源域中学习任务相关特征，能够准确预测未见过的癌种药物反应。评估于单细胞和患者水平的药物反应预测任务时，FourierDrug——仅基于体外细胞系数据训练且未访问目标域数据——一致优于或至少与当前最先进的方法相当。这些发现凸显了该方法在实际临床应用中的潜力。