arxiv：2502.04034v1 [cs.lg] 2025年2月6日__

arxiv：2502.04034v1 [cs.lg] 2025年2月6日

可下载资源数量

已经购买

下载数量：1

单价	0 1.0
Coupon	100% 0%
Total	0 1.0

点击下载点击购买并下载

点击购买，资源将自动在新窗口打开.

机构名称：

arxiv：2502.04034v1 [cs.lg] 2025年2月6日

¥ 1.0

热度

准确的药物反应预测仍然是一个巨大的挑战，尤其是在单细胞水平和临床治疗环境下。一些研究采用转移学习技术来预先在单个细胞和患者中进行药物反应，但是它们需要在未来无法获得或仅在将来获得目标域数据培训，这通常是无法获得的。在这项研究中，我们提出了一个新的域概括框架，称为Pancancerdr，以应对这一挑战。我们将每种癌症类型视为一个不同的源结构域，其细胞系用作域特异性样品。我们的主要目标是从各种癌症类型的细胞系的表达谱中表达域的不变特征，从而概括了分布样品的预测能力。为了增强鲁棒性，我们引入了一个潜在的独立投影（LIP）模块，该模块鼓励编码器提取具有形成性但非冗余的特征。另外，我们提出了一个不对称的自适应聚类群体，该群集将药物敏感的样品簇插入一个紧凑的群体，而驱动抗性样品则可以在潜在空间中的单独簇中分离出来。我们的经验实验表明，Pan-Cancerdr有效地从不同的源域中学习了与任务相关的特征，并且可以在训练过程中实现对未见罐头类型的药物反应的预测。此外，当对单细胞和患者级预测任务进行评估时，我们的模型仅根据体外细胞系数据进行训练，而无需访问目标域信息，并且一致地表现出色，并且匹配了最新的最新方法。这些发现高光是我们方法对现实世界临床应用的潜力。源代码和数据集可在以下网址提供：https：//anonymon.4open.science/ r/pancancerdr-fc03。

添加pdf代下载 VIP点击下载文件