ScreenShot：少样本组合药物筛选的基础模型

使用药物组合治疗患者可以降低对任何单一药物产生耐药性的风险。找到有效的组合很困难，因为巨大的搜索空间使得组合屏幕变得极其昂贵、耗时，而且通常在技术上不可行。预测模型可以填补这一空白，但现有方法通常需要对每个样本进行分子分析并按队列进行训练，这限制了它们在时间和组织稀缺时的适用性。为了应对这一挑战，我们引入了 ScreenShot，这是一个分层的 Transformer，在 40 个药物筛选数据集上进行了预训练，涵盖 3,700 种药物和 6,000 个生物样本，其架构反映了筛选数据的嵌套结构。给定新患者的几次观察背景，ScreenShot 通过上下文学习预测样本对联合疗法的反应，直接对功能测量进行操作，无需 微调 和分子分析。在四个保留的数据集上，ScreenShot 在预测准确性和选择性有效治疗识别方面均优于所有基线。 ScreenShot 的内部表示对于实验设计直接有用：我们使用它们来驱动加权 k-means++ 主动学习策略，该策略选择要运行的实验，以三分之一的预算实现与统一筛选相同的命中检测。源代码和交互式仪表板：https://github.com/tansey-lab/screenshot。