CGM第504期：利用大语言模型统一药物协同作用预测
药物组合在不同细胞环境中的协同效应，能否用统一模型预测？报告介绍BAITSAO如何利用大语言模型表示、预训练与多任务学习整合数据，并检验它在药物组合分析中的能力。
刘天宇
耶鲁大学；Broad研究所（访问） · 博士研究生／访问研究员
刘天宇是耶鲁大学的博士生以及布罗德研究所的访问研究员，他致力于研究科学研究中的人工智能和统计方法。他对机器学习概念和生物学知识都有很好的理解，主持过多个计算生物学研究项目，包括利用对抗训练进行生物数据配准、基于图神经网络的基因嵌入建模、评估基于生物数据训练的基础模型，以及为空间多组学数据分析设计多模态基础模型等。
药物协同作用预测是治疗包括癌症在内的复杂疾病的一项具有挑战性的重要任务。在本手稿中，我们针对药物协同作用预测的相关任务提出了一种统一的模型（称为 BAITSAO），并采用统一的管道来处理不同的数据集。我们基于大语言模型的上下文丰富嵌入为 BAITSAO 构建了训练数据集，用于药物和细胞系的初始表示。在证明了这些嵌入的相关性后，我们在多任务学习框架下使用大规模药物协同数据库对 BAITSAO 进行了预训练，并严格选择了任务。通过全面的基准分析，我们证明了 BAITSAO 的模型架构和预训练策略优于其他方法。此外，我们还研究了 BAITSAO 的灵敏度，并说明了它在药物发现、药物组合与基因相互作用以及多种药物协同作用预测等功能。
参考文献
- Tianyu Liu, Tinyi Chu, Xiao Luo, Hongyu Zhao. Building a unified model for drug synergy analysis powered by large language models. Nature Communications. 2025;16(1):4537. DOI: 10.1038/s41467-025-59822-y
评论（0）
登录后即可发表评论。
登录暂无评论，来发表第一条评论吧！