WISER：用于改善癌症药物反应预测的弱监督与超级监督表示学习

癌症是全球死亡原因的首要原因，由于基因变化而发生，并在患者之间表现出异质性。为了发展个人化治疗策略，需要确定各种药物对来源于癌症细胞的细胞系（cell lines）的有效性。然而，由于生物学和环境差异，细胞系与人类之间在基因数据和药物反应分布之间会出现差异。此外，虽然许多癌症患者的基因组轮廓 readily 可得，但由于药物反应数据的稀缺性，限制了能够有效预测患者药物反应的机器学习模型的训练能力。最近的癌症药物反应预测方法大致遵循无监督域无关表示学习随后进行下游药物反应分类步骤的范式。由于患者对药物反应的异质性以及药物反应数据的有限性，在两个阶段引入监督性很具挑战性。本文通过第一个阶段的 novel 表示学习方法以及第二个阶段的弱监督，针对这些挑战提出了解决方案。针对真实患者数据进行的实验结果表明，我们的方法（WISER）在预测个人化药物反应方面优于最先进的替代方法。