論文の概要: Sample-Efficient Adaptation of Drug-Response Models to Patient Tumors under Strong Biological Domain Shift

• arxiv url: http://arxiv.org/abs/2603.16185v1
• Date: Tue, 17 Mar 2026 07:12:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.140859
• Title: Sample-Efficient Adaptation of Drug-Response Models to Patient Tumors under Strong Biological Domain Shift
• Title（参考訳）: 強い生体ドメインシフト下における薬剤応答モデルの患者腫瘍への適応
• Authors: Camille Jimenez Cortes, Philippe Lalanda, German Vega,
• Abstract要約: 本研究は,患者データへの薬物応答モデルのよりサンプル効率の高い適応を可能にするために,表象学習をタスク管理から明確に分離するか否かを検討する。 本稿では,未ラベル医薬品ゲノムデータの大量収集から,細胞および薬物の表現を独立に学習する段階的移行学習フレームワークを提案する。 ソースドメインとターゲットドメインが重なり合う場合, 教師なし事前トレーニングは限られた利益をもたらすが, 非常に限られたラベル付きデータで患者腫瘍に適応する場合, 明らかな利益をもたらす。
• 参考スコア（独自算出の注目度）: 0.2939891130492345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting drug response in patients from preclinical data remains a major challenge in precision oncology due to the substantial biological gap between in vitro cell lines and patient tumors. Rather than aiming to improve absolute in vitro prediction accuracy, this work examines whether explicitly separating representation learning from task supervision enables more sample-efficient adaptation of drug-response models to patient data under strong biological domain shift. We propose a staged transfer-learning framework in which cellular and drug representations are first learned independently from large collections of unlabeled pharmacogenomic data using autoencoder-based representation learning. These representations are then aligned with drug-response labels on cell-line data and subsequently adapted to patient tumors using few-shot supervision. Through a systematic evaluation spanning in-domain, cross-dataset, and patient-level settings, we show that unsupervised pretraining provides limited benefit when source and target domains overlap substantially, but yields clear gains when adapting to patient tumors with very limited labeled data. In particular, the proposed framework achieves faster performance improvements during few-shot patient-level adaptation while maintaining comparable accuracy to single-phase baselines on standard cell-line benchmarks. Overall, these results demonstrate that learning structured and transferable representations from unlabeled molecular profiles can substantially reduce the amount of clinical supervision required for effective drug-response prediction, offering a practical pathway toward data-efficient preclinical-to-clinical translation.
• Abstract（参考訳）: プリクリナルデータから薬剤の反応を予測することは、in vitro細胞株と患者腫瘍の間にかなりの生物学的ギャップがあるため、精度の高い腫瘍学において大きな課題である。 本研究は, 絶対的in vitro予測精度の向上を目的としているのではなく, 強い生体ドメインシフト下での薬剤応答モデルの患者データへの適応性を高めるために, タスクの監督から表現学習を明示的に分離するか否かを検討する。 本稿では, 自己エンコーダに基づく表現学習を用いて, ラベルなし医薬品ゲノムデータの大量収集から, 細胞および薬物の表現を独立に学習する段階的移動学習フレームワークを提案する。 これらの表現は、細胞線データ上の薬物応答ラベルと整列し、その後、数ショットの監督を用いて患者腫瘍に適応する。 ドメイン内, クロスデータセット, 患者レベルの設定を体系的に評価することにより, ソースドメインとターゲットドメインが重なり合う場合, 教師なし事前訓練は限られた利益をもたらすが, ラベル付きデータに非常に制限された患者腫瘍に適応した場合, 明らかな利益をもたらすことを示した。 特に,提案フレームワークは,標準セルラインベンチマークの単一位相ベースラインに匹敵する精度を維持しつつ,数ショットの患者レベルの適応において,より高速な性能向上を実現する。 以上の結果から,非標識分子プロファイルからの学習構造および伝達可能な表現は,効果的な薬物応答予測に必要な臨床監督の量を著しく削減し,データ効率のよい前臨床から臨床への翻訳への実践的な道筋を提供する可能性が示唆された。

関連論文リスト

• A Data-Driven Approach to Support Clinical Renal Replacement Therapy [1.7666791716676549]
  本研究では,CRRT(Continuous Renal Replacement Therapy)を施行した重症患者の膜汚濁予測のためのデータ駆動機械学習手法について検討した。 ICUの時系列データを用いて,臨床選択した16種類の特徴を同定し,予測モデルを訓練した。 結果は異なる予測地平線にわたって頑健なままであった。
  論文  参考訳（メタデータ） (2026-02-26T11:47:22Z)
• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• Fourier Asymmetric Attention on Domain Generalization for Pan-Cancer Drug Response Prediction [11.649397977546435]
  本稿では,この課題に対処するため,FourierDrugと呼ばれる新しいドメイン一般化フレームワークを提案する。 実験により,本モデルは多様なソースドメインからタスク関連特徴を効果的に学習し,未確認癌に対する薬物応答の正確な予測を行うことができた。 これらの知見は,本手法の現実的臨床応用の可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-02-06T12:53:45Z)
• Prediction of Lung Metastasis from Hepatocellular Carcinoma using the SEER Database [0.9055332067000195]
  肝細胞癌(HCC)は、がん関連死亡の原因である。 HCCにおける肺転移の予測モデルは、範囲と臨床応用性に限られている。 本研究では,Surveillance, Epidemiology, End Results (SEER)データベースのデータを用いて,エンドツーエンドの機械学習パイプラインの開発と検証を行う。
  論文  参考訳（メタデータ） (2025-01-20T20:06:31Z)
• Embracing assay heterogeneity with neural processes for markedly improved bioactivity predictions [0.276240219662896]
  リガンドの生物活性を予測することは、コンピュータ支援薬物発見において最も困難かつ最も重要な課題の1つである。 長年のデータ収集とキュレーションの努力にもかかわらず、生物活性データは希少で不均一である。 異種アッセイ間の情報シナジーを利用した階層型メタラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-17T16:26:58Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。