ScreenShot: A Foundation Model for Few-Shot Combination Drug Screening
ScreenShot 是一个层级化 Transformer 基础模型，它利用在 40 个药物筛选数据集上的上下文学习，仅通过少样本功能上下文即可准确预测患者对联合疗法的反应，从而无需分子图谱分析或微调，并通过主动学习实现具有成本效益的实验设计。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你是一名正在破解谜案的侦探，但你的线索不是指纹或 DNA，而是微小的液体滴，而你的嫌疑人则是成千上万种不同的药物。在癌症治疗的世界里，医生通常会使用一种药物“鸡尾酒”组合，而不是单一药物，因为癌细胞非常狡猾，它们可以学会抵抗单一的攻击者。为了找到完美的药物组合，科学家通常需要在实验室里将每一种可能的药物混合方式都在患者的细胞上进行测试。这就像是在试图通过逐一拔出每一根干草来寻找一根针，既费时又费力。这需要耗费大量的时间和金钱，而且往往会出现没有足够的“干草”（或患者细胞）可供使用的局面。
这就是“预测未来”这一理念的切入点。科学家们一直在构建计算机模型，以尝试在无需测试所有药物组合的情况下，就能猜出哪些组合会奏效。但大多数这类模型就像是那些只有在背熟了特定课程教科书后才能通过考试的学生。它们需要大量的详细生物学数据（例如患者的基因组代码）来做出判断。如果这些数据缺失或混乱——这在真实的患者身上经常发生——这些模型就会感到困惑。大问题在于：我们能否构建一个超级聪明的 AI，让它从所有已完成的药物筛选实验中学习，从而仅凭单个患者提供的少量线索，就能瞬间猜出最佳治疗方案，而无需任何额外的生物学数据？
于是，ScreenShot 应运而生。这是由纪念斯隆-凯特琳癌症中心（Memorial Sloan Kettering Cancer Center）的研究人员开发的一种新型 AI 工具，它试图对上述问题给出肯定的回答。你可以把 ScreenShot 想象成不是一个死记硬背教科书的学生，而是一位品尝过数百万种不同菜肴的大厨。它不需要知道一道新菜品的精确配料表（基因组代码）就能猜出味道，它只需观察你已经吃下的几口，然后说：“啊，基于这道菜在盐和胡椒方面的口感，我敢打赌它配上大蒜和百里香一定会非常美味。”
研究人员在一个庞大的数据“基础”上构建了这个 AI，它在约 3000 万个测量值和 40 个不同的药物筛选数据集上进行了训练。这次训练包括在约 6000 个生物样本（如实验室培养的癌细胞或来自患者的微型“类器官”）上测试的约 3700 种不同药物。该 AI 通过观察结果——即哪种药物、在什么剂量下能让细胞存活或死亡——学习了药物与细胞相互作用的模式。
这里有一个神奇的技巧：ScreenShot 使用了一种叫做**上下文学习（in-context learning）**的技术。想象一下，你向 AI 展示了一个新患者的几次测试结果（例如 50 或 100 次实验）。AI 不需要针对该特定患者进行重新训练或“微调”。相反，它能立即利用这些少量的示例作为上下文窗口，来预测它尚未见过的数千种药物组合的结果。它是直接基于功能性结果（细胞是否存活？）来进行预测的，而无需任何基因图谱信息。
研究结果显示，ScreenShot 的表现极其出色。在针对四个全新的、未见过的数据集进行测试时，它在准确性和寻找“命中目标”（即那些能杀死癌细胞同时又不伤害健康细胞的药物组合）方面，都超越了以往所有最优秀的方法。事实上，在某些测试中，它的速度比其他方法快了 5 到 50 倍。
但研究人员并没有止步于仅仅进行预测；他们还教会了 ScreenShot 如何成为一名聪明的实验员。他们创建了一种称为主动学习（active learning）的策略。ScreenShot 不再随机测试药物，而是利用自己的预测来决定下一步该运行哪些实验。这就像一位侦探，在询问了几名嫌疑人后，决定将精力集中在最有可能的犯罪嫌疑人身上，而不是去询问全镇的人。论文表明，通过使用这种智能策略，ScreenShot 找到有效药物命中的数量与随机搜索相当，但它只需要进行三分之一的实验。这意味着节省了大量的时间、金钱和珍贵的患者细胞。
ScreenShot 最令人印象深刻的地方之一在于，即使面对系统中未知或新出现的药物，它也能正常工作。如果某种药物不在其训练数据中，ScreenShot 会使用一个特殊的“未知”标记，根据当前患者提供的少量线索来推测其行为，而不是彻底失效。
简而言之，论文表明 ScreenShot 是一个强大的新工具，可以使药物筛选变得更加高效。它表明我们可以从依赖昂贵、缓慢且渴求数据的传统方法，转向一种通过学习过去来指导未来的系统，从而有望帮助医生更快地为患者找到合适的药物组合。虽然这些结果是在计算机模拟和留存测试中取得的，但论文指出，这是在实验室领域迈出的重要一步，为实现更高效的现实世界实验铺平了道路。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。