利用重要性感知多源域迁移学习实现药物反应预测向单细胞和患者的泛化
人工智能
2025-01-08 v2
摘要
单细胞测序技术的进步促进了大量单细胞转录谱的生成，为识别肿瘤内的耐药细胞亚群提供了前所未有的机会。然而，很少有研究关注单细胞水平的药物反应预测，且其性能仍不理想。本文提出了 scAdaDrug，这是一种新型的基于自适应重要性感知表示学习的多源域适应模型，用于预测单个细胞的药物反应。我们利用对抗性域适应，通过共享编码器从多个源域中提取与药物反应相关的域不变特征。特别地，我们引入了一个即插即用模块来生成重要性感知且相互独立的权重，该模块能够以元素级方式自适应地调节源域和目标域之间每个样本的潜在表示。大量的实验结果表明，我们的模型在多个独立数据集上预测药物反应方面达到了最先进的性能，这些数据集包括源自细胞系和患者来源异种移植 (PDX) 模型的单细胞数据集，以及临床肿瘤患者队列。此外，消融实验表明，我们的模型有效地捕捉了决定药物反应的来自多个源域的潜在模式。
引用
@article{arxiv.2403.05260,
title = {Towards generalization of drug response prediction to single cells and patients utilizing importance-aware multi-source domain transfer learning},
author = {Hui Liu and Wei Duan and Judong Luo},
journal= {arXiv preprint arXiv:2403.05260},
year = {2025}
}