arXiv cs.AI· Y. Zhu, K. Marlor, V. Lavelle, T. S. Brettin, M. Sacco, C. Siniscalchi, H. W. Raeder, M. R. Weil, R. L. Stevens·· 1 天前AI 评分26
用于评估和训练 AI 药物反应预测模型的 PDO 药筛数据
PDO Drug Screening Data for Evaluating and Training AI Drug Response Prediction Models
AI 导读
研究团队利用患者来源类器官（PDO）开展四项药筛研究，生成多组学图谱、药物特征和治疗反应数据，用于训练与评估抗癌药物反应预测（DRP）模型。他们按仅用细胞系数据、细胞系与 PDO 数据联合训练、细胞系预训练后 PDO 微调三种场景重训多个公开 DRP 模型，并在 PDO 上比较预测性能，同时评估不同实验室与检测技术产生的药筛活性数据一致性。
正文 · AI 翻译
摘要：抗癌药物反应预测（DRP）对于精准肿瘤学和治疗开发至关重要。目前，大多数 DRP 模型是使用永生化癌细胞系的药物筛选数据开发的，尽管患者肿瘤反应才是最终的预测目标，但永生化细胞系在基因组和分子层面上可能与患者肿瘤存在显著差异。为帮助弥合这一差距并使 DRP 模型更接近其预期的临床应用，我们使用患者来源类器官（PDO）开展了四项药物筛选研究，PDO 比永生化细胞系更忠实地再现患者肿瘤。这些研究产生了用于改进和评估 DRP 模型的数据，包括 PDO 系的多组学图谱、药物特征数据和治疗反应测量结果。利用这些数据，我们在三种模型构建场景下重新训练并评估了多个公开可用的 DRP 模型：仅使用细胞系数据训练模型、使用细胞系和 PDO 联合数据训练模型，以及在细胞系数据上预训练模型随后在 PDO 数据上微调。随后，我们在这些分析场景下评估并比较了模型在 PDO 上的预测性能。此外，我们还评估了不同实验室使用不同检测技术和/或实验方案生成的药物筛选活力数据的一致性。
| 学科： | 定量方法（q-bio.QM）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.15769 [q-bio.QM] |
| （或本版本的 arXiv:2611.15769v1 [q-bio.QM]） | |
| https://doi.org/10.48550/arXiv.2611.15769 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Yitan Zhu [查看电子邮件]
[v1]
2026年11月11日星期三 17:49:41 UTC（2,146 KB）
来源：arXiv cs.AI · arxiv.org