TCR：一种基于 Transformer 的深度学习网络用于预测癌症药物反应

由于肿瘤的异质性，在癌症治疗中基于个体化预测抗癌药物的临床结果具有挑战性。传统的计算方法已致力于通过分子谱表征的个体样本来建模药物反应效应，但由于组学数据的高维度导致过拟合，阻碍了模型在临床中的应用。近期研究表明，深度学习通过学习药物与样本之间的对齐模式来构建药物反应模型是一种有前景的方法。然而，现有研究采用简单的特征融合策略，且仅将药物特征作为整体表示，忽略了在药物与基因对齐时可能起关键作用子结构信息。为此，本文中我们提出 TCR（基于 Transformer 的癌症药物反应网络，Transformer based network for Cancer drug Response）来预测抗癌药物反应。通过利用注意力机制，TCR 能够在我们的研究中高效学习药物原子/子结构与分子特征之间的相互作用。此外，设计了双损失函数和交叉采样策略以提升 TCR 的预测能力。我们表明，在各种数据划分策略下，TCR 在所有评估矩阵上均优于其他方法（部分有显著提升）。大量实验证明，TCR 在独立的体外实验和体内真实患者数据上展现出显著改进的泛化能力。我们的研究突出了 TCR 的预测能力及其在癌症药物重定位与精准肿瘤治疗中的潜在价值。