混合多模态药物响应网络（HMM-DRN）在癌症药物响应预测中的评估与分布外泛化能力分析

《Scientific Reports》：A hybrid multimodal network for cancer drug response prediction using delayed pooling and cross attention at the atom level

　　## 摘要癌症药物响应的准确预测仍然是精准肿瘤学中的主要难题，尤其是在需要对训练数据中代表性不足的治疗化合物或肿瘤特征进行预测时。在本研究中，我们提出了混合多模态药物响应网络（HMM-DRN），用于联合学习转录组学特征与分子图结构。每种化合物被表示为显式的分子图，并通过图卷积层进行编码；细胞状态则使用按组选择并标准化、且不依赖留出细胞系的转录组特征来表示。模型在四种受泄漏控制的场景下进行了评估：混合药物-细胞对、未见过的细胞系、未见过的药物以及同时未见过的药物和细胞系。在五个随机种子下，HMM-DRN 在未见过药物的场景中表现出最明显的数值优势，其均方根误差（RMSE）为 2.4902 ± 0.2598，皮尔逊相关系数（PCC）为 0.5422 ± 0.0882，斯皮尔曼等级相关系数（SRCC）为 0.4550 ± 0.0269。然而，该模型相对于早期池化的静态图神经网络（Static-GNN）的优势并非在所有场景中均一致存在，且在已有的配对检验中未达到统计显著性。同时未见过药物和细胞系的场景仍然具有挑战性，在该场景中 Static-GNN 的数值表现优于 HMM-DRN。这些结果支持一个审慎的结论：延迟的原子级融合对于特定分布外药物响应预测场景是一个有用的设计假设，但并未确立其相对于早期池化图基线模型的一致优越性。本文提供了分组文件和重复种子结果表以支持可复现性。