초록 동기 정확한 약물 반응 예측은 정밀 종양학에서 주요한 도전 과제로 남아 있으며, 특히 단일 세포 수준과 임상 환경에서 전임상 모델과 실제 환자 데이터 간의 상당한 분포 변화로 인해 어려움을 겪고 있습니다. 기존의 접근 방식은 종종 세포주에서 목표 도메인으로의 전이 학습에 의존하지만, 일반적으로 훈련 중 목표 도메인 데이터에 접근할 필요가 있으며, 이는 실제로는 자주 사용할 수 없습니다. 결과 우리는 강력한 약물 반응 예측을 위한 새로운 도메인 일반화 프레임워크인 FourierDrug을 제안합니다. 유전자 발현 프로필을 고려하여 이 모델은 주파수 도메인으로 특징을 투영하기 위해 푸리에 변환을 수행하고, 약물에 민감한 샘플이 밀집된 클러스터를 형성하도록 장려하고 저항성 샘플은 더 분산되도록 하는 비대칭 주의 메커니즘을 도입합니다. 이러한 설계는 도메인 불변이면서도 작업 관련 표현의 학습을 용이하게 합니다. 광범위한 실험 결과 FourierDrug이 다양한 출처 도메인을 효과적으로 활용하고 보지 못한 암 유형에 잘 일반화됨을 보여주었습니다. 특히 단일 세포 및 환자 수준 예측 작업에서 평가할 때 우리의 방법—비타프리 세포주 데이터만으로 훈련되었으며 목표 도메인 데이터에 접근하지 않았음—은 지속적으로 최첨단 접근 방식을 능가하거나 맞먹는 성과를 보였습니다. 가용성 및 구현 소스 코드와 처리된 데이터 세트는 다음에서 이용할 수 있습니다: https://github.com/hliulab/FourierDrug. 보충 정보 보충 데이터는 Bioinformatics 온라인에서 이용 가능합니다.
Song et al. (Sat,)는 이 질문을 연구했습니다.