基于混合深度学习的胶质母细胞瘤耐药预测系统HybridDLDR：整合分子描述符与基因表达数据的创新方法

本研究针对胶质母细胞瘤(GBM)化疗耐药性预测难题，开发了融合CNN、LSTM和Transformer的HybridDLDR系统。通过整合基因表达数据和药物分子描述符，模型实现了0.4109的MSE和0.9635的R2值，Pearson相关性达0.9999。该研究为精准医疗提供了可靠的IC50预测工具，显著推进了个性化癌症治疗的发展。

　　

胶质母细胞瘤(GBM)作为最具侵袭性的脑肿瘤类型，其治疗面临严峻挑战。化疗耐药性成为制约疗效的关键瓶颈，约90%患者对传统疗法产生耐药。当前耐药性评估依赖昂贵的实验室检测，耗时且效率低下，而个性化治疗方案的设计又缺乏可靠的预测工具。这种困境促使研究人员探索人工智能解决方案，通过整合多组学数据来预测药物敏感性。

为解决这一难题，研究人员开发了HybridDLDR系统——一种融合卷积神经网络(CNN)、长短期记忆网络(LSTM)和Transformer架构的混合深度学习模型。该系统创新性地整合了药物分子描述符(通过SMILES字符串转换为1024位Morgan指纹)和标准化处理的基因表达数据(来自GDSC和TCGA数据库)。研究采用RDKit进行分子指纹转换，StandardScaler进行基因表达标准化，通过Adam优化器(学习率0.05)训练模型，并应用早停法和学习率衰减策略防止过拟合。

研究结果部分，"3.3.1 CNN(分子描述符)"显示，CNN分支通过多层卷积和最大池化有效提取了药物分子亚结构特征；"3.3.2 LSTM(基因表达数据)"证实LSTM成功捕获了基因表达的时序依赖关系；而"3.3.3 Transformer(基因表达数据)"则证明自注意力机制能识别基因间的复杂互作。三者的特征通过"3.3.4 连接层"融合后，模型在测试集上表现出色：MSE 0.4109、MAE 0.5040、R² 0.9635，Pearson相关性达0.9999。

特别值得注意的是，模型对5-氟尿嘧啶、ABT737等药物展现出优异预测性能，但对AZD1332等药物预测存在偏差。"4.结果"部分的配对图分析揭示了不同药物的预测准确性差异，而"5.1性能比较"显示HybridDLDR显著优于现有模型(Branson等MSE 1.61，Bang等MSE 1.801)。"5.2消融研究"进一步验证了混合架构的必要性——单独CNN、LSTM和Transformer的MSE分别为0.5123、0.4786和0.4352，均差于整合模型。

研究结论强调，HybridDLDR系统通过多模态深度学习架构，实现了GBM化疗耐药性的高精度预测。其创新点在于：首次将Transformer引入耐药预测领域，开发了有效的多源数据融合策略，并验证了混合模型的协同效应。这项工作为精准肿瘤学提供了重要工具，可显著加速个性化治疗方案制定。未来研究将着重优化对特定药物的预测性能，并探索模型在临床决策支持系统中的应用潜力。该成果发表于《Computer Methods and Programs in Biomedicine》，为人工智能驱动的癌症治疗开辟了新途径。