scDrugMap：评估预测单细胞数据中药物反应的大型基础模型基准
人工智能
2025-05-12 v1 机器学习
定量方法
摘要
药物抗性是癌症治疗中的一个重大挑战。单细胞谱 profiling 虽为洞察细胞异质性提供了方法，但大规模基础模型用于预测单细胞数据中的药物反应仍鲜有探索。为此，我们开发了 scDrugMap，一个集成框架，包含 Python 命令行界面和 Web 服务器，用于药物反应预测。scDrugMap 评估了广泛的基础模型，包括八个单细胞模型和两个大语言模型，采用 curated 数据集进行评估，该数据集包含 326,000 细胞（主收集）和 18,800 细胞（验证集），覆盖 36 个数据集及多样组织和癌症类型。我们在 pooled-data 和 cross-data 评估场景下对模型性能进行基准测试，采用层冻结和 Low-Rank Adaptation (LoRA) 微调策略。在 pooled-data 场景下，scFoundation 实现了最佳性能，层冻结时平均 F1 分数为 0.971，微调时为 0.947，超越最低性能模型超过 50%。在 cross-data 场景下，UCE 微调后表现突出（平均 F1：0.774），而 scGPT 在零样图学习中领先（平均 F1：0.858）。总体而言，scDrugMap 提供了首个针对单细胞数据药物反应预测的大规模基础模型基准，为推进药物发现和转化医学研究提供了用户友好且灵活的平台。
引用
@article{arxiv.2505.05612,
title = {scDrugMap: Benchmarking Large Foundation Models for Drug Response Prediction},
author = {Qing Wang and Yining Pan and Minghao Zhou and Zijia Tang and Yanfei Wang and Guangyu Wang and Qianqian Song},
journal= {arXiv preprint arXiv:2505.05612},
year = {2025}
}
备注
14 pages, 7 figures