2022年12月28日，中国科学院上海营养与健康研究所李虹研究组在国际学术期刊Briefings in Bioinformatics上在线发表了题为 “A systematic assessment of deep learning methods for drug response prediction: from in vitro to clinical applications” 的论文。文章从多角度系统地评估了癌症药敏预测深度学习算法的性能，为用户根据自身需求和数据特点选择恰当的预测模型提供指导，同时为构建新的计算模型指引方向。

　　基于分子组学预测药物对肿瘤的杀伤效果是癌症个体化治疗中的一个重要方向。近期研究结果显示，深度学习模型相比经典的机器学习模型能提高预测性能。然而，目前缺乏对不同深度学习方法的系统性比较，尤其是从临床前模型到临床数据的模型迁移能力。研究人员使用九个评估指标对六种具有代表性的药敏预测深度学习方法，在多个应用场景中的性能进行了评估，包括整体预测准确性、单个药物水平的可预测性、预测性能的潜在相关因素、以及细胞系模型用于临床患者的迁移能力等。结果显示，大多数方法在细胞系数据集中有良好的预测性能，其中基于蛋白质-蛋白质关联的双图神经网络算法对肿瘤细胞系组学特征的捕捉能力更强，准确性更好。由于细胞系和患者肿瘤样本之间的差异，细胞系上训练的模型应用于患者时，性能指标会出现不同程度的降低，但是几种单药模型仍然能在部分药物上取得可靠的预测结果。

　　中国科学院上海营养与健康研究所博士研究生沈碧寒和博士后冯方尤敏为本文共同第一作者，李虹研究员为本文通讯作者。特别感谢中国科学院上海营养与健康研究所李昕研究员和马良宵工程师、贵州科学数据中心贵安超级计算中心蔡文举工程师给予的支持和帮助。该工作获得了国家自然科学基金、科技部国家重点研发计划、中科院青年创新促进会、上海市自然科学基金、上海人才发展资金的资助，同时也得到了中国科学院上海营养与健康研究所生物医学大数据中心技术平台的支持。

图. 药敏预测深度学习算法的典型框架以及模型评估流程与结果

文章链接：https://doi.org/10.1093/bib/bbac605