論文の概要: PerturbRx: Learning Treatment-Conditioned Latent Transitions for Patient Drug Response Prediction

• arxiv url: http://arxiv.org/abs/2608.21349v1
• Date: Fri, 21 Aug 2026 17:54:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.670576
• Title: PerturbRx: Learning Treatment-Conditioned Latent Transitions for Patient Drug Response Prediction
• Title（参考訳）: PerturbRx: 患者の薬物反応予測のための学習治療による潜伏遷移
• Abstract要約: 本稿では,治療条件付き表現学習フレームワークPerturbRxを提案する。 TCGAと患者由来のXenograftベンチマークを通じて、PerturbRxは最も強力な総合的な予測性能を達成する。
• 参考スコア（独自算出の注目度）: 3.436215734071903
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 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 response. Across TCGA and patient-derived xenograft benchmarks, PerturbRx achieves the strongest aggregate predictive performance among the evaluated methods. These results support perturbation-pretrained latent transitions as useful representations for patient-level drug-response prediction.
• Abstract（参考訳）: スカースデータと腫瘍の不均一性は、患者レベルのがん治療-応答予測を制限する。 既存のアプローチでは、治療中に期待される分子の変化を明示的にモデル化することなく、前処理の分子プロファイルと薬物表現から反応を予測する。 本稿では,治療条件付き表現学習フレームワークであるPerturbRxを提案する。 PerturbRxは、コンテキストマッチングされた細胞不適合の制御と治療された単一細胞集団から薬物および投与条件の遷移予測器を訓練し、その後、治療後の測定を必要とせずに、予測器を凍結し、患者のプロファイルに転送する。 移行は患者と薬物の表現と組み合わせて反応を予測する。 TCGAおよび患者由来のXenograftベンチマークを通して、PerturbRxは評価手法の中で最強の集約的予測性能を達成する。 これらの結果は、患者レベルの薬物応答予測に有用な表現として、摂動抑制型潜伏遷移を支持する。

関連論文リスト

• Predicting Therapeutic Outcome via Aligning Patient-Specific Knowledge Graph and Gene-Level Perturbation Representations [8.993049322779862]
  PreDIKTORは、パーソナライズされたネットワークビューと転送可能なトランスクリプトーム摂動ビューを調整し、臨床薬効を予測する。 TCGAでは、PrediKTORは一貫して最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-07-06T00:10:31Z)
• From Static Risk to Dynamic Trajectories: Toward World-Model-Inspired Clinical Prediction [61.12883122613684]
  本稿では, 患者固有の縦断疾患の進展を推定し, 代替治療下での軌跡変化を評価するための, 臨床AIにおける介入認識型疾患軌跡モデリングに焦点をあてる。 3つの意思決定タスク(実測,反実推定,政策評価)と3つのデータ生成機構(障害発生, 治療課題, 観察過程)によって, 識別可能性を決定する。 本稿では,個別/連続時間にまたがる予測,反ファクト的軌跡,政策評価の統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2026-05-16T10:45:26Z)
• Sample-Efficient Adaptation of Drug-Response Models to Patient Tumors under Strong Biological Domain Shift [0.2939891130492345]
  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。
  論文  参考訳（メタデータ） (2026-03-17T07:12:38Z)
• CLARITY: Medical World Model for Guiding Treatment Decisions by Modeling Context-Aware Disease Trajectories in Latent Space [49.74032713886216]
  CLARITYは、構造化潜在空間内で直接疾患の進化を予測する医療世界モデルである。 時間間隔(時間的文脈)と患者固有のデータ(臨床的文脈)を明確に統合し、スムーズで解釈可能な軌跡として治療条件の進行をモデル化する。
  論文  参考訳（メタデータ） (2025-12-08T20:42:10Z)
• Conformal Prediction for Dose-Response Models with Continuous Treatments [0.23213238782019321]
  本稿では,線量応答モデルに対する予測区間を生成する新しい手法を提案する。 重み付き共形予測においてカーネル関数を重みとして適用することにより,各処理値の局所的カバレッジを近似する。
  論文  参考訳（メタデータ） (2024-09-30T15:40:54Z)
• WISER: Weak supervISion and supErvised Representation learning to improve drug response prediction in cancer [7.9505208530650995]
  がんは、ゲノム的な変化と患者間で不均一に現れるため、世界中の死因の1つとなっている。 ゲノムデータの分布の変化と、細胞株とヒトの間の薬物反応の変動は、生物学的および環境的な違いによって生じる。 最近のがん薬物反応予測法は、教師なしドメイン不変表現学習のパラダイムに大きく従っている。 本稿では,第1フェーズにおける表現学習手法と第2フェーズにおける監督の弱さを通じて,これらの課題に対処する。
  論文  参考訳（メタデータ） (2024-05-07T07:21:20Z)
• Contrastive Balancing Representation Learning for Heterogeneous Dose-Response Curves Estimation [34.20279432270329]
  治療量の変化に対する個人の潜在的反応を推定することは、精密医療や管理科学などの分野における意思決定に不可欠である。 異種線量応答曲線を推定するために,CRNetと呼ばれる部分距離測度を用いたコントラストバランス表現学習ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-03-21T08:41:53Z)
• Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
  高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。 本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
  論文  参考訳（メタデータ） (2023-09-15T22:06:29Z)
• Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time [71.30985926640659]
  本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。 時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。 実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-12-07T16:40:28Z)
• 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)
• DTR Bandit: Learning to Make Response-Adaptive Decisions With Low Regret [59.81290762273153]
  動的治療体制 (DTR) はパーソナライズされ適応された多段階の治療計画であり、治療決定を個人の初期特徴に適応させ、その後の各段階における中間結果と特徴に適応させる。 本稿では,探索と搾取を慎重にバランスさせることで,遷移モデルと報酬モデルが線形である場合に,速度-最適後悔を実現する新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-06T13:03:42Z)
• Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
  時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。 本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
  論文  参考訳（メタデータ） (2020-02-10T20:47:36Z)

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。