面向强生物学域迁移的药物-肿瘤模型样本高效适配
机器学习
2026-03-18 v1 人工智能
定量方法
摘要
从前临床数据预测患者肿瘤对药物的反应，是精密肿瘤学中的重要挑战，主要由于体外细胞系与患者肿瘤之间的生物学差距。本 work 考察是否通过显式分离表征学习与任务监督，能够在强生物学域迁移下实现对药物-肿瘤模型的样本高效适配。我们提出了一种分阶段迁移学习框架：首先独立地从大规模无标记药物基因组数据中使用基于自编码器的表征学习获取细胞和药物表征；随后在细胞系数据上与药物-反应标签对齐，并在少量样本监督下适配患者肿瘤。通过系统评估覆盖域内、跨数据集和患者水平的情景，我们发现当源域和目标域重叠显著时，无监督预训练提供的有限收益，但在针对仅有极少标签数据的数据库肿瘤适配时，能显著提升效果。特别是，本文提出的框架在少数样本患者水平适配期间实现更快的性能提升，同时在标准细胞系基准测试上保持与单阶段基线相当的准确率。总体而言，这些结果表明，从无标记分子组学资料中学习结构化且可迁移的表征，能够大幅降低有效药物-反应预测所需的临床监督量，为从前临床到临床的实际路径提供了可行方案。
引用
@article{arxiv.2603.16185,
title = {Sample-Efficient Adaptation of Drug-Response Models to Patient Tumors under Strong Biological Domain Shift},
author = {Camille Jimenez Cortes and Philippe Lalanda and German Vega},
journal= {arXiv preprint arXiv:2603.16185},
year = {2026}
}