PharmaFormer 类器官迁移学习药物反应预测
结合肿瘤转录组和药物结构，以细胞系数据预训练，再用类器官药物反应数据调整模型。
用途与模型
- 研究用途
- 研究类器官数据能否改善肿瘤药物敏感性预测及治疗后生存分层。
- 模型与细胞来源
- 癌细胞系与结肠癌、膀胱癌、肝细胞癌类器官数据；TCGA 治疗和生存资料用于回顾性评价。
- 方法版本
- 2025 年细胞系预训练与类器官微调模型
- 实验形式
- Transformer 模型、迁移学习与交叉验证
材料与平台
- 训练与微调数据
- 956 个癌细胞系的表达数据；29 个结肠、65 个膀胱和 21 个肝细胞癌类器官数据。
- 软件
- GDSC2 8.5、PyTorch 2.4.1、cuML 24.8.0 与生存分析工具。
测量指标与分析
- 药物反应曲线下面积
- 预测与实测反应相关性
- 生存分组风险比
用细胞系—药物数据预训练，按癌种用类器官数据微调；五折交叉验证按药物比较预测与实测反应，患者资料用于生存分层。
研究设计与结果
训练集与交叉验证
- 研究设计
- 细胞系和类器官数据交叉验证，并与传统机器学习模型及未微调模型比较。
- 测试范围
- 87,596 个细胞系—药物组合；3 类肿瘤类器官数据及接受对应药物的 TCGA 患者。
- 参照体系
- 实验药物反应、支持向量回归等模型，以及患者治疗后的生存资料。
- 研究结果
- 类器官微调改善多组药物的生存分层；结肠癌奥沙利铂分组风险比由 1.95 增至 4.49。
适用条件与研究局限
- 临床部分评价的是回顾性生存分层关联，风险比的变化对应分组区分程度；没有前瞻性治疗选择试验。
来源与原文
- PharmaFormer predicts clinical drug responses through transfer learning guided by patient derived organoid原始研究 · NPJ Precision Oncology · 2025-08-13