摘要

传统的深度学习方法通常采用监督学习进行药物反应预测（DRP）。这需要依赖于药物的标记反应数据来进行模型训练。然而，在临床前药物筛选阶段的实际应用中，DRP 模型需要预测新型化合物的反应，而这些化合物的药物反应往往未知。这一挑战使得监督深度学习方法在这些场景中不太适用。本文提出了一种用于临床前药物筛选阶段 DRP 任务的零样本学习解决方案。具体而言，我们提出了一种多分支多源域适应测试增强插件，称为 MSDA。MSDA 可以无缝集成到传统的 DRP 方法中，通过从类似药物的先前反应数据中学习不变特征来增强未标记化合物的实时预测能力。我们使用 GDSCv2 和 CellMiner 数据集进行了实验。结果表明，MSDA 能够高效地预测新型化合物的药物反应，在临床前药物筛选阶段的整体性能提升了 5-10%。该解决方案的意义在于其潜在加速药物发现过程、改善候选药物评估并促进药物发现成功的能力。