[Nat.Mach.Intell|论文简读] 一种上下文感知去混淆自动编码器，用于从细胞系化合物筛选中稳定预测个性化临床药物反应

简读分享 | 王汝恒 编辑 | 赵晏浠

论文题目

A context-aware deconfounding autoencoder for robust prediction of personalized clinical drug response from cell-line compound screening

论文摘要

准确而稳健地预测患者对新化合物的特定反应对于个性化药物的发现和开发至关重要。然而，患者数据往往太少，无法训练通用的机器学习模型。尽管已经开发了许多方法来利用细胞系筛查预测临床反应，但由于数据的异质性和分布的变化，它们的性能并不可靠。在这里，作者开发了一种新的上下文感知去重构自动编码器（CODE-AE），可以提取被上下文特定模式和混杂因素掩盖的内在生物信号。对比实验表明，CODE-AE有效地缓解了模型泛化的离群（分布外）问题，并显著提高了仅从细胞系复合物筛选预测患者特定临床药物反应的准确性和鲁棒性。使用CODE-AE，作者为9808名癌症患者筛选了59种药物。所得结果与现有的临床观察结果一致，表明CODE-AE在开发个性化治疗和药物反应生物标记物方面具有很大的潜力。

论文链接

https://www.nature.com/articles/s42256-022-00541-0