論文の概要: ScreenShot: A Foundation Model for Few-Shot Combination Drug Screening
- arxiv url: http://arxiv.org/abs/2608.12219v1
- Date: Wed, 12 Aug 2026 16:13:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 19:07:54.634096
- Title: ScreenShot: A Foundation Model for Few-Shot Combination Drug Screening
- Title（参考訳）: ScreenShot:Few-Shotコンビネーションドラッグスクリーニングの基礎モデル
- Abstract要約: ScreenShotは、40の薬物スクリーニングデータセットで事前訓練された階層的なトランスフォーマーで、3700の薬物と6,000の生物学的サンプルをカバーしている。
ScreenShotは、新しい患者からのいくつかの観察状況から、コンテキスト内学習による併用療法に対するサンプルの反応を予測する。
保持された4つのデータセットでは、ScreenShotは予測精度と選択的に有効な治療の識別の両方において、すべてのベースラインを上回っている。
- 参考スコア（独自算出の注目度）: 2.971294564098473
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Treating patients with combinations of drugs reduces the risk of resistance to any individual drug. Finding effective combinations is difficult because the large search space makes combinatorial screens prohibitively expensive, time consuming, and often technically infeasible. Predictive models can fill this gap, yet existing methods typically require molecular profiling of each sample and per-cohort training, limiting their applicability when time and tissue are scarce. To address this challenge, we introduce ScreenShot, a hierarchical transformer pretrained on 40 drug screening datasets covering 3,700 drugs and 6,000 biological samples, whose architecture mirrors the nested structure of screening data. Given a few-shot context of observations from a new patient, ScreenShot predicts the response of the sample to combination therapies through in-context learning, operating directly on functional measurements with no fine-tuning and no molecular profiling. On four held-out datasets, ScreenShot outperforms all baselines in both prediction accuracy and identification of selectively effective treatments. ScreenShot's internal representations are directly useful for experimental design: we use them to drive a weighted k-means++ active learning strategy that selects which experiments to run, achieving the same hit detection as uniform screening with a third of the budget. Source code and interactive dashboard: https://github.com/tansey-lab/screenshot.
- Abstract（参考訳）: 薬物の組み合わせによる治療は、個々の薬物に対する耐性のリスクを減少させる。
大規模な検索スペースが組み合わさりのスクリーンを不当に高価にし、時間がかかり、技術的に不可能になるため、効果的な組み合わせを見つけることは難しい。
予測モデルは、このギャップを埋めることができるが、既存の方法は、通常、各サンプルの分子プロファイリングとコホートごとのトレーニングを必要とし、時間と組織が不足している場合に適用性を制限する。
この課題に対処するために、ScreenShotを紹介した。ScreenShotは、40の薬物スクリーニングデータセットで事前訓練された階層的なトランスフォーマーで、3,700の薬物と6,000の生物学的サンプルをカバーし、そのアーキテクチャはスクリーニングデータのネストされた構造を反映している。
ScreenShotは、新しい患者からのいくつかの観察状況から、コンテキスト内学習を通じて、サンプルの反応を予測し、微調整も分子プロファイリングもせずに、機能的な測定に直接操作する。
保持された4つのデータセットでは、ScreenShotは予測精度と選択的に有効な治療の識別の両方において、すべてのベースラインを上回っている。
ScreenShotの内部表現は、実験設計において直接的に有用である: 重み付けされたk-means++のアクティブラーニング戦略を駆動し、どの実験を実行するかを選択し、予算の3分の1で一様スクリーニングと同じヒット検出を達成する。
ソースコードとインタラクティブダッシュボード:https://github.com/tansey-lab/screenshot。
関連論文リスト
- An Automated Multimodal Glaucoma Detection Framework Using ViT and a Stacking-Based Ensemble [2.5937996810126407]
緑内障は進行性眼疾患であり、早期に検出されない場合、不可逆的な視力喪失を引き起こす可能性がある。
本研究は, 緑内障検診において, 試料検診と患者検診の2つの評価条件について検討した。
基礎画像と臨床データを統合する自動マルチモーダルフレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-02T18:33:04Z) - Addressing the Cold-Start Problem for Personalized Combination Drug Screening [2.971294564098473]
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。
論文 参考訳（メタデータ） (2025-09-09T15:24:46Z) - PharmacoMatch: Efficient 3D Pharmacophore Screening via Neural Subgraph Matching [0.5113447003407372]
本稿では,ニューラルサブグラフマッチングに基づく新しいコントラスト学習手法であるPharmacoMatchを紹介する。
本手法は,医薬検診を近似的な部分グラフマッチング問題として再解釈する。
既存のソリューションに匹敵する、はるかに短いランタイムとパフォーマンスメトリクスを示します。
論文 参考訳（メタデータ） (2024-09-10T08:17:06Z) - Unlearnable Examples Detection via Iterative Filtering [84.59070204221366]
ディープニューラルネットワークは、データ中毒攻撃に弱いことが証明されている。
混合データセットから有毒なサンプルを検出することは極めて有益であり、困難である。
UE識別のための反復フィルタリング手法を提案する。
論文 参考訳（メタデータ） (2024-08-15T13:26:13Z) - Drug Discovery SMILES-to-Pharmacokinetics Diffusion Models with Deep Molecular Understanding [1.4952056744888913]
ImagandはSMILES-to-Pharmacokinetic (S2PK)拡散モデルである。
SMILES入力で条件付けられたPKターゲットプロパティの配列を生成する。
Imagandはデータの重複を解消するための有望なソリューションだ。
論文 参考訳（メタデータ） (2024-08-14T16:01:02Z) - Breaking Free: How to Hack Safety Guardrails in Black-Box Diffusion Models! [52.0855711767075]
EvoSeedは、フォトリアリスティックな自然対向サンプルを生成するための進化戦略に基づくアルゴリズムフレームワークである。
我々は,CMA-ESを用いて初期種ベクトルの探索を最適化し,条件付き拡散モデルで処理すると,自然逆数サンプルをモデルで誤分類する。
実験の結果, 生成した対向画像は画像品質が高く, 安全分類器を通過させることで有害なコンテンツを生成する懸念が高まっていることがわかった。
論文 参考訳（メタデータ） (2024-02-07T09:39:29Z) - 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) - BeCAPTCHA-Type: Biometric Keystroke Data Generation for Improved Bot
Detection [63.447493500066045]
本研究では,キーストローク生体データ合成のためのデータ駆動学習モデルを提案する。
提案手法は,ユニバーサルモデルとユーザ依存モデルに基づく2つの統計的手法と比較する。
実験フレームワークでは16万件の被験者から1億3600万件のキーストロークイベントのデータセットについて検討している。
論文 参考訳（メタデータ） (2022-07-27T09:26:15Z) - 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) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z)
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。