SynerGPT：面向个性化药物协同预测与药物设计的上下文学习
人工智能
2023-10-26 v2 机器学习
生物大分子
分子网络
摘要
预测协同药物组合有助于加速癌症治疗的发现，特别是通过活检细胞针对患者特定肿瘤个性化的疗法。在本文中，我们提出了一种用于上下文药物协同学习的新设定与模型。我们给定一个小规模“个性化数据集”，包含特定癌症细胞靶点背景下的10-20个药物协同关系。我们的目标是预测该背景下的额外药物协同关系。受近期预训练GPT语言模型（LM）以“上下文学习”常见函数类工作的启发，我们设计了新颖的预训练方案，使GPT模型能够上下文学习“药物协同函数”。我们的模型——不使用任何文本语料库、分子指纹、蛋白质相互作用或任何其他领域特定知识——能够取得有竞争力的结果。我们进一步将上下文方法与遗传算法结合，以优化模型提示并选择在患者活检后测试的协同候选。最后，我们探索了一项逆向药物设计的新任务，其潜在地能够实现专门针对给定患者“个性化数据集”协同作用的药物设计。我们的发现可能对精准癌症医学产生重要影响，并就LM的非文本预训练提出了引人深思的问题。
引用
@article{arxiv.2307.11694,
title = {SynerGPT: In-Context Learning for Personalized Drug Synergy Prediction and Drug Design},
author = {Carl Edwards and Aakanksha Naik and Tushar Khot and Martin Burke and Heng Ji and Tom Hope},
journal= {arXiv preprint arXiv:2307.11694},
year = {2023}
}