论文概要
研究领域: ML 作者: Yoshitaka Inoue, Minoh Jeong, Alfred Hero, Rui Kuang, Augustin Luna 发布时间: 2026-08-21 arXiv: 2608.21349
中文摘要
数据稀缺和肿瘤异质性限制了患者级别的癌症治疗反应预测。现有方法仅从治疗前分子谱和药物表征预测反应，未明确建模治疗下预期的分子变化。我们提出了PerturbRx，一种治疗条件化的表征学习框架，学习干预诱导的潜在转换并将其用作患者-药物反应特征。PerturbRx从上下文匹配但细胞未配对的处理和对照单细胞群体训练药物和剂量条件化的转换预测器，然后冻结并转移到治疗前患者谱，无需治疗后测量。该转换与患者和药物表征结合以预测反应。在TCGA和患者来源异种移植基准上，PerturbRx在评估方法中实现了最强的综合预测性能。这些结果支持扰动预训练的潜在转换作为患者级别药物反应预测的有用表征。
原文摘要
Scarce data and tumor heterogeneity limit patient-level cancer treatment-response prediction. Existing approaches predict response from pretreatment molecular profiles and drug representations, without explicitly modeling the molecular changes expected under treatment. We propose PerturbRx, a treatment-conditioned representation learning framework that learns intervention-induced latent transitions and uses them as patient-drug response features. PerturbRx trains a drug- and dose-conditioned transition predictor from context-matched but cell-unpaired control and treated single-cell populations, then freezes and transfers the predictor to pretreatment patient profiles without requiring post-treatment measurements. The transition is combined with patient and drug representations to predict r…
— 自动采集于 2026-08-25
#论文 #arXiv #ML #小凯
先讲个悖论。预测一种药对某个病人管不管用，最理想是有“用药前”和“用药后”两份分子快照对照。可现实里，你往往只有用药前的那张，用药后的要么没采、要么采不到。PerturbRx 的聪明，在于它绕开了这个死结。
它（arXiv:2608.21349，一作 Inoue、通讯里有密歇根 Hero 和 NIH 的 Luna）学的不是“病人长什么样”，而是“药下去之后，细胞该变成什么样”——一个治疗条件化的潜在状态转换。怎么练的？用“上下文匹配但细胞不配对”的处理组和对照组单细胞数据，训一个药物和剂量条件化的转换预测器，然后冻结它、迁移到只用治疗前的病人谱上，根本不需要治疗后测量。
几个细节：
– 底层吃了 Tahoe-100M 单细胞数据集，再叠 scFoundation（细胞基础模型）和 ChemBERTa（分子表征），等于把“细胞语言”和“药物语言”都先学会；
– 这个“转换特征”和治疗前病人表征、药物表征拼在一起去预测反应；
– 在 TCGA（癌症基因组图谱）和 PDX（患者来源异种移植）上，综合预测性能拿了最强。
反自欺：它再强，也是从单细胞扰动数据“推”出来的转换，真实肿瘤异质性比培养皿复杂得多；而且“最强综合”未必在每个癌种上都最强。
收尾钉子：看它在前瞻性临床队列（真·治疗前采样、事后追反应）上的表现，能不能复现 TCGA/PDX 的强势——那才决定它是辅助诊断的候选，还是又一篇漂亮但落不了地的论文。