通过将基因层面和细胞层面的知识转移到肿瘤中，利用深度学习来预测患者对药物的反应

《npj Precision Oncology》：Deep learning for predicting patient drug response by transferring gene-level and cell-level knowledge to tumors

摘要

预测患者对药物的反应对于精准肿瘤学至关重要，但这一过程受到临床数据稀缺的限制。虽然基于细胞系训练的机器学习模型提供了一种可扩展的解决方案，但生物学差异的存在导致模型难以直接应用于患者肿瘤。在这里，我们提出了THERAPI（一种考虑肿瘤异质性的嵌入方法，用于适应药物反应并推断患者信息）这一深度学习框架，旨在弥合这一差距。首先，THERAPI通过基于组织的注意力机制将患者肿瘤与细胞系进行对齐，将每个肿瘤建模为细胞系的线性组合；其次，THERAPI利用预训练的基因和细胞级嵌入信息来训练药物反应预测模型。在TCGA数据集上，THERAPI的表现优于11种基线模型，并且能够推广到其他乳腺癌和结直肠癌患者群体，同时支持可解释的基因/通路水平分析。这些结果凸显了整合肿瘤生物学背景和基于扰动分析的建模方法在实现通用且可解释的药物反应预测方面的价值，从而推动精准肿瘤学的发展。