論文の概要: Addressing the Cold-Start Problem for Personalized Combination Drug Screening

• arxiv url: http://arxiv.org/abs/2509.07850v1
• Date: Tue, 09 Sep 2025 15:24:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.377308
• Title: Addressing the Cold-Start Problem for Personalized Combination Drug Screening
• Title（参考訳）: パーソナライズド・コンバレーション・ドラッグ・スクリーニングにおけるコールドスタート問題への取り組み
• Authors: Antoine de Mathelin, Christopher Tosh, Wesley Tansey,
• Abstract要約: 本稿では,薬物応答データに基づく事前学習モデルを活用する戦略を提案する。 薬物埋め込みのクラスター化と機能的多様性の確保と、その歴史的情報に基づいた線量優先順位付け機構を組み合わせる。
• 参考スコア（独自算出の注目度）: 2.971294564098473
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalizing combination therapies in oncology requires navigating an immense space of possible drug and dose combinations, a task that remains largely infeasible through exhaustive experimentation. Recent developments in patient-derived models have enabled high-throughput ex vivo screening, but the number of feasible experiments is limited. Further, a tight therapeutic window makes gathering molecular profiling information (e.g. RNA-seq) impractical as a means of guiding drug response prediction. This leads to a challenging cold-start problem: how do we select the most informative combinations to test early, when no prior information about the patient is available? We propose a strategy that leverages a pretrained deep learning model built on historical drug response data. The model provides both embeddings for drug combinations and dose-level importance scores, enabling a principled selection of initial experiments. We combine clustering of drug embeddings to ensure functional diversity with a dose-weighting mechanism that prioritizes doses based on their historical informativeness. Retrospective simulations on large-scale drug combination datasets show that our method substantially improves initial screening efficiency compared to baselines, offering a viable path for more effective early-phase decision-making in personalized combination drug screens.
• Abstract（参考訳）: 腫瘍学における併用療法のパーソナライズには、薬物と用量の組み合わせの膨大なスペースをナビゲートする必要がある。 患者由来モデルにおける最近の進歩は、高スループットの生体外スクリーニングを可能にしているが、実現可能な実験の数は限られている。 さらに、厳密な治療窓は、薬物反応予測を導く手段として分子プロファイリング情報(eg RNA−seq)を非現実的に収集する。 患者に関する事前情報がない場合に、どのようにして最も情報に富んだ組み合わせを早期にテストするかという、難しいコールドスタートの問題につながります。 本稿では,薬物応答データに基づく事前学習モデルを活用する戦略を提案する。 このモデルは、薬物の組み合わせに対する埋め込みと線量レベルの重要度スコアの両方を提供し、初期実験の原則的選択を可能にする。 薬物埋め込みのクラスター化と機能的多様性の確保と、その歴史的情報に基づいた線量優先順位付け機構を組み合わせる。 大規模薬物併用データセットのふりかえりシミュレーションにより,本手法は基準値よりも初期スクリーニング効率を著しく向上させ,個人化された薬物併用画面においてより効果的な早期判定のための有効な経路を提供することを示した。

関連論文リスト

• A Deep Subgrouping Framework for Precision Drug Repurposing via Emulating Clinical Trials on Real-world Patient Data [7.625705701507038]
  本稿では,サブグループ分析と治療効果推定を統合した新しい薬物再資源化フレームワークであるSTEDRを紹介する。 提案手法は, 実世界の患者データを用いて, 複数の臨床試験をエミュレートして, 再購入候補を同定する。 アルツハイマー病 (AD) は, 承認された薬剤がほとんどなく, 治療反応の異種性も知られている疾患である。
  論文  参考訳（メタデータ） (2024-12-29T06:32:52Z)
• Zero-shot Learning of Drug Response Prediction for Preclinical Drug Screening [38.94493676651818]
  ゼロショット学習ソリューションを提案する。 予防的薬物スクリーニングの課題です 具体的には、MSDAと呼ばれるマルチブランチマルチソースドメイン適応テスト拡張プラグインを提案する。
  論文  参考訳（メタデータ） (2023-10-05T05:55:41Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• Neural Bandits for Data Mining: Searching for Dangerous Polypharmacy [63.135687276599114]
  一部の多薬局は、不適切とみなされており、死亡や入院などの健康上の有害な結果に関係している可能性がある。 我々は、クレームデータセットを効率的にマイニングし、薬物の組み合わせと健康結果の関係の予測モデルを構築するためのOptimNeuralTS戦略を提案する。 提案手法では,最大72%のPIPを検出でき,平均精度は99%であり,30000タイムステップで検出できる。
  論文  参考訳（メタデータ） (2022-12-10T03:43:23Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• Deep learning for drug repurposing: methods, databases, and applications [54.08583498324774]
  新しい治療法のために既存の薬物を再利用することは、実験コストの低減で薬物開発を加速する魅力的な解決策である。 本稿では,薬物再資源化のための深層学習手法とツールの活用に関するガイドラインを紹介する。
  論文  参考訳（メタデータ） (2022-02-08T09:42:08Z)
• RECOVER: sequential model optimization platform for combination drug repurposing identifies novel synergistic compounds in vitro [46.773794687622825]
  深層学習モデルに適用した逐次モデル最適化探索を用いて,がん細胞株に対して高い相乗効果を持つ薬物の組み合わせを迅速に発見する。 モデルによりクエリされた組み合わせの集合は、非常にシナジスティックな組み合わせに富んでいることがわかった。 臨床的に検討中であることが判明した相乗効果薬の併用が再発見された。
  論文  参考訳（メタデータ） (2022-02-07T02:54:29Z)
• DeepDDS: deep graph neural network with attention mechanism to predict synergistic drug combinations [0.9854322576538699]
  計算スクリーニングは 薬物の組み合わせを優先する重要な方法になっています DeepDDSは16%以上の予測精度で競合手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-07-06T08:25:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。