🤖 machine learning

ScreenShot: A Foundation Model for Few-Shot Combination Drug Screening

ScreenShot è un modello fondazionale transformer gerarchico che sfrutta l'apprendimento in-context su 40 dataset di screening farmacologico per prevedere accuratamente le risposte dei pazienti alle terapie combinate utilizzando solo un contesto funzionale few-shot, eliminando la necessità di profilazione molecolare o fine-tuning e consentendo al contempo una progettazione sperimentale efficace in termini di costi attraverso l'apprendimento attivo.

Autori originali: Antoine de Mathelin, Christopher Tosh, Wesley Tansey

Pubblicato 2026-08-13

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Antoine de Mathelin, Christopher Tosh, Wesley Tansey

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di essere un detective che cerca di risolvere un mistero, ma invece di impronte digitali o DNA, i tuoi indizi sono minuscole gocce di liquido e i tuoi sospettati sono migliaia di medicinali diversi. Nel mondo del trattamento del cancro, i medici spesso usano un "cocktail" di farmaci piuttosto che uno solo, perché le cellule cancerose sono astute e possono imparare a resistere a un singolo aggressore. Per trovare il cocktail perfetto, gli scienziati devono solitamente testare ogni possibile miscela di farmaci sulle cellule di un paziente in un laboratorio. È come cercare un ago in un pagliaio estraendo ogni singolo pezzo di paglia uno alla volta. Ci vuole un'eternità, costa una fortuna e, spesso, non c'è abbastanza paglia (o cellule del paziente) a disposizione.

È qui che entra in gioco l'idea di "predire il futuro". Gli scienziati stanno costruendo modelli informatici per indovinare quali miscele di farmaci funzioneranno senza doverle testare tutte. Ma la maggior parte di questi modelli è come uno studente che passa l'esame solo se ha memorizzato il libro di testo specifico per quella classe. Hanno bisogno di una quantità massiccia di dati biologici dettagliati (come il codice genetico di un paziente) per fare una previsione. Se questi dati mancano o sono disordinati — il che accade spesso con i pazienti reali — i modelli si confondono. La grande domanda è: possiamo costruire un'IA super intelligente che impari da tutti gli esperimenti sui farmaci mai fatti, così da poter guardare solo pochi nuovi indizi da un singolo paziente e indovinare istantaneamente il miglior trattamento, senza aver bisogno di ulteriori dati biologici?

Entra in gioco ScreenShot, un nuovo strumento di IA sviluppato dai ricercatori del Memorial Sloan Kettering Cancer Center che cerca di rispondere "sì" a questa domanda. Pensa a ScreenShot non come a uno studente che ha memorizzato un libro di testo, ma come a uno chef esperto che ha assaggiato milioni di piatti diversi. Invece di aver bisogno dell'elenco esatto degli ingredienti (il codice genetico) di un nuovo piatto per indovinarne il sapore, ScreenShot osserva i pochi bocconi che hai già assaggiato e dice: "Ah, basandomi su come questo sapeva di sale e pepe, scommetto che starebbe benissimo con aglio e timo".

I ricercatori hanno costruito questa IA su una massiccia "fondamenta" di dati, addestrandola su circa 30 milioni di misurazioni provenienti da 40 diversi dataset di screening dei farmaci. Questo addestramento includeva circa 3.700 farmaci diversi testati su 6.000 campioni biologici (come cellule cancerose coltivate in laboratorio o piccoli "mini-organi" derivati da pazienti). L'IA ha imparato i pattern di come i farmaci interagiscono con le cellule semplicemente guardando i risultati: quale farmaco, a quale dose, faceva vivere o morire le cellule.

Ecco il trucco magico: ScreenShot utilizza una tecnica chiamata in-context learning (apprendimento nel contesto). Immagina di mostrare all'IA alcuni risultati di test di un nuovo paziente (per esempio, 50 o 100 esperimenti). L'IA non ha bisogno di essere riaddestrata o "perfezionata" per quel paziente specifico. Invece, utilizza istantaneamente quegli esempi come una finestra di contesto per prevedere i risultati delle migliaia di combinazioni di farmaci che non ha ancora visto. Lo fa direttamente sui risultati funzionali (la cellula è sopravvissuta?) senza bisogno di profilazione genetica.

L'articolo trova che ScreenShot è incredibilmente bravo in questo. Quando testato su quattro nuovi dataset non visti, ha superato tutti i metodi precedenti sia in termini di accuratezza che nella ricerca dei "hit" (ovvero le combinazioni di farmaci che effettivamente uccidono le cellule cancerose lasciando però intatte quelle sane). Infatti, in alcuni test, è stato da 5 a 50 volte più veloce degli altri metodi.

Ma i ricercatori non si sono fermati alla semplice previsione; hanno anche insegnato a ScreenShot come essere un esperimentatore intelligente. Hanno creato una strategia chiamata active learning (apprendimento attivo). Invece di testare i farmaci casualmente, ScreenShot usa le proprie previsioni per decidere quali esperimenti eseguire successivamente. È come un detective che, dopo aver interrogato alcuni sospettati, decide di concentrarsi sui colpevoli più probabili piuttosto che interrogare tutti gli abitanti della città. L'articolo mostra che utilizzando questa strategia intelligente, ScreenShot può trovare lo stesso numero di hit efficaci di una ricerca casuale, ma ha solo bisogno di eseguire un terzo degli esperimenti. Ciò significa risparmiare una enorme quantità di tempo, denaro e preziose cellule del paziente.

Una delle cose più impressionanti di ScreenShot è che funziona anche quando il farmaco è nuovo o sconosciuto al sistema. Se un farmaco non era presente nei suoi dati di addestramento, ScreenShot utilizza un speciale "token sconosciuto" per indovinarne il comportamento basandosi sui pochi indizi ricevuti dal paziente corrente, invece di fallire completamente.

In breve, l'articolo suggerisce che ScreenShot è un nuovo strumento potente che può rendere lo screening dei farmaci molto più efficiente. Suggerisce che possiamo passare da metodi costosi, lenti e affamati di dati verso un sistema che impara dal passato per guidare il futuro, aiutando potenzialmente i medici a trovare il cocktail di farmaci giusto per un paziente molto più velocemente. Sebbene i risultati siano solidi in queste simulazioni al computer e nei test su dati non utilizzati, l'articolo presenta questo come un passo significativo verso il laboratorio, aprendo la strada a esperimenti più efficienti nel mondo reale.

Sintesi Tecnica: ScreenShot

Definizione del Problema

L'identificazione di terapie combinate efficaci è fondamentale per ridurre la resistenza, ma è ostacolata dallo spazio di ricerca proibitivo delle potenziali combinazioni. Gli screening combinatori tradizionali sono spesso tecnicamente impraticabili, dispendiosi in termini di tempo ed economici, particolarmente in contesti clinici dove i campioni derivati dai pazienti forniscono un numero limitato di cellule. I modelli predittivi esistenti tentano di colmare questo divario, ma tipicamente si basano sul profilo genomico o trascrittomico (dati omici) e richiedono un perfezionamento (fine-tuning) per coorte o per paziente. Questi requisiti ne limitano l'applicabilità quando il tessuto è scarso, il profilo molecolare non è disponibile o è incoerente. Inoltre, molti metodi esistenti non riescono a modellare le relazioni dose-risposta continue per le combinazioni o si affidano a meccanismi di attenzione piatti che scalano quadraticamente con la dimensione del contesto, rendendoli inefficienti per scenari few-shot.

Metodologia

Architettura di ScreenShot

ScreenShot è un modello fondazionale transformer gerarchico progettato per la predizione few-shot negli screening di combinazioni di farmaci. Opera direttamente su misurazioni funzionali (identità del farmaco, dose e vitalità) senza richiedere il profilo molecolare o il fine-tuning su nuovi campioni. L'architettura rispecchia la struttura nidificata dei dati di screening attraverso tre livelli:

Livello 1: Drug Combination Encoder (DCE): Codifica le singole coppie farmaco-dose. Le identità dei farmaci sono mappate su embedding appresi basati sul comportamento funzionale attraverso diversi campioni piuttosto che sulla struttura chimica. Le dosi sono codificate tramite feature di Fourier apprese. Un encoder transformer elabora la sequenza di farmaci all'interno di una combinazione utilizzando l'auto-attenzione per catturare gli effetti di interazione, aggregandoli in un singolo embedding della combinazione.
Livello 2: Response Encoder (RE): Esegue la cross-attention tra una query (condizione farmaco-dose non testata) e il contesto few-shot (tuple farmaco-dose-vitalità osservate). Le osservazioni del contesto sono aumentate con la loro vitalità misurata. Questo livello consente alla query di recuperare evidenze dalle curve dose-risposta di perturbazioni simili osservate nel contesto.
Livello 3: Sample Encoder (SE): Aggrega le informazioni attraverso tutte le perturbazioni osservate per un campione specifico utilizzando l'auto-attenzione. Questo propaga le evidenze attraverso diverse combinazioni di farmaci (ad esempio, usando i pattern di risposta di un farmaco per informare le predizioni di farmaci correlati). Una testa lineare seguita da una sigmoid fornisce la stima finale della vitalità.

Questo design gerarchico riduce la complessità computazionale da $O(n^2)$ (attenzione piatta) a $O(n + p^2)$ , dove $n$ è il numero di osservazioni e $p$ è il numero di perturbazioni uniche, migliorando significativamente l'efficienza.

Pretraining e In-Context Learning

ScreenShot è preaddestrato su un atlante pan-cancro composto da 40 dataset di screening di farmaci (circa 30 milioni di misurazioni di vitalità, 3.700 farmaci, 6.000 campioni). L'obiettivo di addestramento segue un paradigma di in-context learning:

Input: Un set di contesto $D_s$ (tuple farmaco-dose-vitalità etichettate) e un set di query $Q_s$ .
Task: Predire la vitalità per le query in $Q_s$ condizionate da $D_s$ .
Ottimizzazione: Il modello minimizza l'Errore Assoluto Medio (MAE) sul set di query.
Meccanismo: All'inferenza, il modello generalizza a nuovi campioni non visti interamente attraverso il suo meccanismo di attenzione preaddestrato. Si condiziona sul contesto few-shot fornito tramite cross-attention, eliminando la necessità di aggiornamenti del gradiente o fine-tuning.

Strategia di Active Learning

Per affrontare il collo di bottiglia nel decidere quali esperimenti eseguire, gli autori propongono una pipeline di apprendimento attivo a più round:

Cold-Start: Un batch iniziale viene selezionato utilizzando il clustering $k$ -medoids sugli embedding farmaco-dose del Livello 1 per garantire la copertura dello spazio di trattamento prima che venga osservata qualsiasi vitalità.
Round Adattivi: I batch successivi sono selezionati utilizzando il seeding pesato $k$ -means++ sugli embedding condizionati dal contesto del Livello 3. I candidati sono pesati in base alla loro vitalità differenziale predetta ( $\Delta_t = \hat{y}_{target} - \hat{y}_{control}$ ). Ciò dà priorità ai probabili "hit" (trattamenti selettivamente efficaci) mantenendo al contempo la diversità nella selezione.

Contributi Chiave

Modello Fondazionale per la Risposta Funzionale ai Farmaci: ScreenShot è il primo modello fondazionale per lo screening dei farmaci che opera puramente su misurazioni farmaco-dose-vitalità, non richiedendo feature omiche né fine-tuning per paziente. Supporta la monoterapia e dimensioni arbitrarie di combinazione.
Experimental Design Basato su Embedding: Gli autori introducono una politica di screening pratica che sfrutta gli embedding preaddestrati di ScreenShot per la selezione cold-start e gli embedding condizionati dal contesto per l'apprendimento attivo, bilanciando esplicitamente il compromesso tra il test di trattamenti promettenti e la copertura dello spazio di progettazione.
Architettura Gerarchica Efficiente: Il modello utilizza un meccanismo di attenzione gerarchica che si allinea con la struttura compositiva dei dati, offrendo significativi vantaggi computazionali rispetto ai baseline di attenzione piatta pur catturando rappresentazioni a multi-granularità.

Risultati Sperimentali

Il modello è stato valutato su quattro dataset tenuti fuori dal training (held-out): PDO-Breast (monoterapia ex vivo), BATCHIE, NCI-ALMANAC e GDSC-SQ (combinazioni di screening).

Accuratezza Predittiva: ScreenShot ha raggiunto lo stato dell'arte nella correlazione di Pearson in tutti i dataset e i budget (da 10 a 300 osservazioni few-shot), superando i baseline inclusi XGBoost, TabPFN e MLP sottoposti a fine-tuning.
Rilevamento degli Hit: In termini di identificazione di trattamenti selettivamente efficaci (Top-10% hit nei Top-20% delle predizioni), ScreenShot ha costantemente superato tutti i baseline. Ad esempio, sul dataset BATCHIE con 100 shot, ScreenShot ha ottenuto un richiamo (recall) di hit del 72,6% rispetto al 63,9% del secondo miglior metodo.
Efficienza dell'Active Learning: La strategia di selezione adattiva proposta ha migliorato significativamente il rilevamento degli hit rispetto alla selezione casuale o solo cold-start. Su BATCHIE, la strategia adattiva ha raggiunto lo stesso richiamo di hit della selezione casuale con un budget di 300 utilizzando solo un terzo del budget.
Velocità: ScreenShot è da 5 a 50 volte più veloce dei baseline (ad esempio, 8–68 secondi per esperimento rispetto ai minuti per gli MLP) perché richiede solo un singolo passaggio in avanti (forward pass) senza necessità di fine-tuning.

Significato e Claim

Il paper sostiene che ScreenShot affronti i limiti critici degli attuali metodi di screening dei farmaci rimuovendo la dipendenza dal profilo molecolare e dall'addestramento per campione, consentendo così l'applicazione a campioni derivati dai pazienti dove tali dati sono scarsi o non disponibili. Sfruttando l'in-context learning, il modello riesce ad ammortizzare efficacementamente la fase di adattamento, permettendogli di generalizzare immediatamente a nuovi pazienti.

Gli autori sottolineano che le rappresentazioni interne apprese da ScreenShot sono direttamente utili per la progettazione sperimentale. La strategia di apprendimento attivo dimostra che è possibile identificare i migliori hit terapeutici con costi sperimentali significativamente ridotti (budget) rispetto allo screening uniforme. Il lavoro posiziona ScreenShot come uno strumento pratico per l'oncologia di precisione, capace di guidare la selezione della terapia combinata in contesti clinici con risorse limitate.

Il paper nota modestamente alcuni limiti, come la dipendenza dai farmaci presenti nel corpus di preaddestramento (sebbene gestisca i nuovi composti tramite token UNK) e l'osservazione che l'accuratezza della predizione globale non sempre correla direttamente con la capacità di rilevamento degli hit, suggerendo che la selezione guidata dall'incertezza potrebbe non essere ottimale per trovare i top hit.