MILSyn:融合图网络与语言模型的药物联用协同预测
- MILSyn结合混合图神经网络、化学与多组学特征融合以及来自语言模型的语义嵌入,来预测药物联用的协同效应。
- 在DrugComb及另外四个数据集上进行基准测试,并检验了对未见药物和细胞系的泛化;摘要仅描述计算评估,未提及实验验证。
- 报告称其优于现有模型,少样本微调对罕见肿瘤有帮助;注意力分析仅作为产生假设的参考。
💡 要点 基于摘要的观点
协同预测模型在随机划分上很少出问题,真正会失效的是遇到新药或新细胞系时,所以应先看未见药物的测试。DrugComb类标签噪声大且依赖批次,需要检查重叠数据集之间是否泄漏,并与调优过的梯度提升基线比较。没有对排名靠前的组合做湿实验确认,这只能算优先级排序工具,不能当作证据。
📄 原论文 · Journal of Chemical Information and Modeling (ACS) ↗ Multiscale Drug–Cell Interaction Modeling via Hybrid Graph Architectures and Knowledge-Aware Fusion for Drug Synergy Prediction