論文の概要: DeepDTF: Dual-Branch Transformer Fusion for Multi-Omics Anticancer Drug Response Prediction

• arxiv url: http://arxiv.org/abs/2603.24265v1
• Date: Wed, 25 Mar 2026 12:58:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.29819
• Title: DeepDTF: Dual-Branch Transformer Fusion for Multi-Omics Anticancer Drug Response Prediction
• Title（参考訳）: DeepDTF:Dual-Branch Transformer Fusionによる抗がん剤反応予測
• Authors: Yuhan Zhao, Jacob Tennant, James Yang, Zhishan Guo, Young Whang, Ning Sui,
• Abstract要約: DeepDTFは、ジョイントログ(IC50)回帰と薬物感受性分類のためのエンドツーエンドのデュアルブランチトランスフォーマー融合フレームワークである。 5倍のコールドスタートセルライン評価の下での公開薬理ゲノミクスベンチマークでは、DeepDTFは一貫して強いベースラインを上回っている。 DeepDTFは、SHAPをベースとした遺伝子属性とGSEAによる経路富化を通じて生物学的に基盤化された説明を提供する。
• 参考スコア（独自算出の注目度）: 6.554534012462404
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cancer drug response varies widely across tumors due to multi-layer molecular heterogeneity, motivating computational decision support for precision oncology. Despite recent progress in deep CDR models, robust alignment between high-dimensional multi-omics and chemically structured drugs remains challenging due to cross-modal misalignment and limited inductive bias. We present DeepDTF, an end-to-end dual-branch Transformer fusion framework for joint log(IC50) regression and drug sensitivity classification. The cell-line branch uses modality-specific encoders for multi-omics profiles with Transformer blocks to capture long-range dependencies, while the drug branch represents compounds as molecular graphs and encodes them with a GNN-Transformer to integrate local topology with global context. Omics and drug representations are fused by a Transformer-based module that models cross-modal interactions and mitigates feature misalignment. On public pharmacogenomic benchmarks under 5-fold cold-start cell-line evaluation, DeepDTF consistently outperforms strong baselines across omics settings, achieving up to RMSE=1.248, R^2=0.875, and AUC=0.987 with full multi-omics inputs, while reducing classification error (1-ACC) by 9.5%. Beyond accuracy, DeepDTF provides biologically grounded explanations via SHAP-based gene attributions and pathway enrichment with pre-ranked GSEA.
• Abstract（参考訳）: がん薬剤の反応は、多層分子の不均一性により腫瘍全体にわたって大きく変化し、精度オンコロジーの計算的決定支援を動機付けている。 近年の深部CDRモデルの発展にもかかわらず、高次元マルチオミクスと化学的に構造化された薬物とのロバストなアライメントは、クロスモーダルなミスアライメントと限定帰納バイアスにより困難である。 We present DeepDTF, a end-to-end dual-branch Transformer fusion framework for joint log (IC50) regression and drug sensitivity classification。 細胞線分岐は、トランスフォーマーブロックを用いたマルチオミクスプロファイルのためのモダリティ特異的エンコーダを使用し、薬物分岐は分子グラフとして化合物を表現し、GNN-Transformerでそれらをコードし、局所トポロジとグローバルコンテキストを統合する。 オーミックと薬物の表現はトランスフォーマーベースのモジュールによって融合される。 5倍のコールドスタートセルライン評価の下での公開薬理ゲノミクスベンチマークでは、DeepDTFは、RMSE=1.248、R^2=0.875、AUC=0.987まで到達し、分類誤差(1-ACC)を9.5%削減した。 正確性以外にも、DeepDTFはSHAPをベースとした遺伝子属性とGSEAによる経路富化を通じて生物学的に基盤化された説明を提供する。

関連論文リスト

• CrossLLM-Mamba: Multimodal State Space Fusion of LLMs for RNA Interaction Prediction [4.05599528263557]
  状態空間アライメント問題として相互作用予測を再構成する新しいフレームワークであるCrossLLM-Mambaを紹介する。 RNA-タンパク質、RNA-小分子、RNA-RNAの3つの相互作用カテゴリにわたる総合的な実験は、CrossLLM-Mambaが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-02-23T19:57:11Z)
• scDFM: Distributional Flow Matching Model for Robust Single-Cell Perturbation Prediction [12.48933770510505]
  条件付きフローマッチングに基づく生成フレームワークである scDFM を提案する。 scDFMは、細胞レベルでの通信以上の個体群を混乱させ、制御する。
  論文  参考訳（メタデータ） (2026-02-06T17:00:21Z)
• From Classification to Generation: An Open-Ended Paradigm for Adverse Drug Reaction Prediction Based on Graph-Motif Feature Fusion [0.9516730911504486]
  グラフモチーフ特徴融合とマルチラベル生成に基づくオープンなADR予測パラダイムを提案する。 GM-MLGは最大38%の改善を達成し、平均20%向上し、予測空間を200種から10,000種以上に拡大した。
  論文  参考訳（メタデータ） (2026-01-04T03:35:41Z)
• VAMP-Net: An Interpretable Multi-Path Framework of Genomic Permutation-Invariant Set Attention and Quality-Aware 1D-CNN for MTB Drug Resistance [0.0]
  本稿では,解釈可能な可変型マルチパスネットワーク(VAMP-Net)を提案する。 Path-1は、ゲノム座間のエピスタティック相互作用を捉えるために、Set Attention Transformer Processing permutation-invariant variant setを使用する。 Path-2は1D Confabal Networkを使用し、Variant Call Formatの品質指標を分析して信頼性スコアを学習する。
  論文  参考訳（メタデータ） (2025-12-25T21:28:54Z)
• Transcriptome-Conditioned Personalized De Novo Drug Generation for AML Using Metaheuristic Assembly and Target-Driven Filtering [0.0]
  急性骨髄性白血病(AML)は、その極端な分子多様性と高い再発率のために、臨床上の課題である。 本稿では,患者固有の転写学とde novo薬物発見のギャップを埋める,新しいエンドツーエンドの計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-24T17:39:37Z)
• Learning Cell-Aware Hierarchical Multi-Modal Representations for Robust Molecular Modeling [74.25438319700929]
  分子と細胞応答の局所的グローバル依存性をモデル化する堅牢なフレームワークであるCHMR(Cell-aware Hierarchical Multi-modal Representations)を提案する。 728タスクにまたがる9つの公開ベンチマークで評価され、CHMRは最先端のベースラインを上回っている。 その結果, 階層認識型マルチモーダル学習による分子表現の信頼性, 生物学的基盤化の利点が示された。
  論文  参考訳（メタデータ） (2025-11-26T07:15:00Z)
• scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration [53.683726781791385]
  単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークを導入する。 本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。
  論文  参考訳（メタデータ） (2025-10-28T21:28:39Z)
• Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges [68.98973318553983]
  本稿では,Dual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。 我々は、生物学的に意味のある方法で摂動シグナルを伝達するために遺伝子制御ネットワーク(GRN)情報を統合する。 また、サイレント遺伝子を予測し、生成したプロファイルの品質を向上させるためのマスキング機構も組み込んだ。
  論文  参考訳（メタデータ） (2025-06-26T09:05:38Z)
• Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
  本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。 プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-11T15:46:00Z)
• Tailoring Molecules for Protein Pockets: a Transformer-based Generative Solution for Structured-based Drug Design [133.1268990638971]
  標的タンパク質の構造に基づくデノボ薬物の設計は、新規な薬物候補を提供することができる。 そこで本研究では,特定のターゲットに対して,対象薬物をスクラッチから直接生成できるTamGentという生成ソリューションを提案する。
  論文  参考訳（メタデータ） (2022-08-30T09:32:39Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。