MetaComb：一种从癌细胞系迁移至患者的药物组合响应预测的元学习(meta-learning)框架

《Frontiers in Genetics》：MetaComb: a meta-learning framework for drug combination response prediction from cell lines to patients

引言：联合用药已成为肿瘤学中提高疗效和克服耐药性的关键策略。基于丰富细胞系数据训练的计算预测模型提供了起点，但其向患者人群的适用性受限于培养细胞系与患者来源肿瘤间的固有生物学差异。由于伦理和成本问题，患者来源数据集仍然稀缺，因此开发患者水平预测算法必须显式应对相关数据的少样本(few-shot)问题。 方法：为突破小样本瓶颈，研究人员采用模型无关元学习(Model-Agnostic Meta-Learning, MAML)开发了MetaComb（Meta-Learning Drug Combination Response Prediction）方法，用于患者ex vivo药物组合响应预测，以药物结构和细胞系/患者的基因表达谱作为模型输入。MetaComb中元模型先在数据丰富的细胞系特异性药物组合响应预测任务上训练，随后微调以适应少样本场景。 结果：MetaComb在预测药物组合响应上优于常规迁移学习，数据贫乏细胞系AUROC提升8.5%，患者ex vivo样本提升7.4%。对于有ex vivo数据的患者，MetaComb精度亦优于现有方法。鉴于有限的患者队列，结果证明了MetaComb的可行性，但需用更大患者数据集进一步验证。 讨论：本研究作为概念验证，初步证明MetaComb元学习框架在少样本条件下通过将临床前细胞系的药物组合响应知识迁移，可用于患者来源ex vivo药物组合响应预测。当前患者水平评估不足以支持推广至其他癌种或患者人群，未来随患者数据积累需用更大队列进一步验证。

论文解读：MetaComb——基于MAML元学习从癌细胞系向患者迁移的药物组合响应预测框架

《MetaComb: a meta-learning framework for drug combination response prediction from cell lines to patients》发表于《Frontiers in Genetics》。

一、研究背景与立题依据

联合治疗(combinatorial therapy)是肿瘤学中克服肿瘤异质性及获得性耐药、提升疗效的重要策略。然而，从海量药物组合中筛选适合个体患者的最优方案极具挑战。现有药物组合响应预测模型大多基于癌细胞系（cancer cell lines, CCLs）数据（如CCLE、GDSC、DrugComb数据库）开发，虽在细胞系水平取得进展，但难以直接迁移至患者来源ex vivo样本——细胞系经永生化、克隆筛选及体外适应，而患者来源ex vivo细胞保留更多原发肿瘤异质性与体内状态，其药物响应更具临床可转化性。受伦理、成本限制，患者来源数据极稀少（少样本/few-shot问题），传统深度学习或常规预训练-微调(pretrain-finetune)范式易受源域偏差影响，无法快速适配各患者作为独立任务的场景。此前PDSP等方法虽尝试迁移，但以协同评分(synergy score)为终点且未针对少样本跨任务适配优化。因此，研究人员提出基于Model-Agnostic Meta-Learning（MAML，模型无关元学习）的MetaComb框架，显式学习可从细胞系快速适配至少样本细胞系及患者ex vivo任务的可迁移初始化参数，并以更接近临床意义的药物组合响应（combination sensitivity score, CSS ≥10 且 synergy score S_sum>5 二分类）为预测目标。

二、主要关键技术方法概述

研究人员整合DrugComb(v1.5)中276,087条细胞系药物组合记录（覆盖140个细胞系，其中127个数据丰富即>50条记录，13个数据贫乏即10–50条记录）及CCLE RNA-seq（RPKM转TPM后log₂(TPM+1)并基因水平Z-score标准化）；患者数据来自He et al.(2018)三例T细胞幼淋巴细胞白血病(T-PLL)患者外周血单个核细胞(PBMC) ex vivo 35种药物组合测试，同法计算CSS与S_sum并沿用细胞系二分类阈值。药物以PubChem CID标识并取SMILES构建分子图（原子25维/键6维特征），通过三层GCN（Graph Convolutional Network，图卷积网络）提取图嵌入并与Morgan指纹（半径2，64位）经MLP融合获最终药物表征；细胞系/患者基因表达谱（14,890基因）经五层MLP（含LayerNorm、ReLU、Dropout p=0.3）压缩为64维细胞表征；拼接两药+细胞表征后经三层MLP与Sigmoid输出响应概率，损失函数为二分类交叉熵(BCE)。MAML元训练以127个数据丰富细胞系各为一个task，每task随机取50例（正负各半）均分support set(S)与query set(Q)，内循环以α=0.1做单步梯度更新得任务特定参数θ′_i，外循环以Adam(β=3×10^?4)最小化各task查询集损失更新共享初始化参数θ，早停patience=20。元测试阶段对数据贫乏细胞系及每位患者（各取support/query集，患者数据三轮快速微调）做少样本微调评估。对照包括无迁移基线模型（混合源域+目标域微调集训练）及常规迁移学习模型（源域预训练后目标域微调），评价指标为AUROC与AUPRC，多次运行取均值。

三、研究结果

3.1 The performance assessment of the base-learner

以数据丰富细胞系混合数据为金标准做5折交叉验证，基学习器(base-learner)预测药物组合响应的AUROC=0.86、AUPRC=0.78，证实基网络可有效捕获"药物分子结构–基因表达–组合响应"关系，适合作为MAML基架构。

3.2 Drug combination response prediction for cell lines with poor data

在数据贫乏细胞系（n=13）少样本适配场景中，MetaComb的AUROC=0.77、AUPRC=0.727，优于常规迁移学习模型（AUROC=0.71、AUPRC=0.666）及无迁移基线模型（AUROC=0.66、AUPRC=0.637）。表明MAML通过学习跨细胞系可迁移初始化更适配新细胞系少样本快速微调，且细胞系特异性建模优于仅用混合数据训练的全局模型。

3.3 Drug combination response prediction for patients with ex vivo experimental data

在三例T-PLL患者ex vivo药物组合数据少样本微调后，MetaComb预测性能AUROC=0.71、AUPRC=0.66，均高于两对照模型。与最直接相关方法PDSP（Kuru et al., 2022b，以协同评分为目标、用患者单药敏感性微调）相比，按PDSP所用协同二分类目标重训练MetaComb后，MetaComb准确率ACC=0.79，高于PDSP_st1与PDSP_st2。证明MAML框架及少样本快速适配在跨域（细胞系→患者ex vivo）场景中优于常规预训练-微调范式。

四、讨论与结论总结

讨论部分指出：(1)本研究为概念验证(proof-of-concept)，证明MAML元学习可突破患者ex vivo药物组合预测的小样本瓶颈；(2)患者级CSS/S_sum截断值取自细胞系统一计算流程，虽敏感性分析显示替代阈值下MetaComb仍优，但阈值未经临床验证；(3)连续CSS回归分析也显示MetaComb优于对照，结论不限于二分类；(4)未做强批次校正(如ComBat)以避免抹除细胞系与患者间真实生物学差异，采用保守标准化；(5)当前患者队列极小(n=3,T-PLL)，不足以评估跨癌种泛化性，仅验证同患者内少样本适配可行性，未来需大队列验证跨患者泛化及in vivo场景，可结合CTR-DB、CDS-DB等临床数据库；(6)未来可融合单细胞空间转录组、化合物3D构象及大语言模型(LLM)领域知识。

结论（翻译）：

肿瘤异质性致化疗耐药普遍，联合用药是有效对策。患者药物响应预测是精准肿瘤学关键任务，但患者数据稀缺制约算法发展。为突破小样本瓶颈，研究人员采用元学习思想开发MetaComb方法——利用数据充足的细胞系特异性药物组合疗效预测任务训练元模型，并微调适配小样本场景。MetaComb借助药物分子图与转录组谱通过元学习捕获可迁移的药–基因互作模式，实现快速任务适配。对三名患者的评估显示元学习在克服患者ex vivo药物组合响应预测小样本瓶颈方面的有效性与优越性，为临床前药物组合响应知识迁移至患者来源ex vivo场景提供了初步概念验证，但需用更大患者队列进一步验证。