Cancer is a primary cause of human death, but discovering drugs and tailoring cancer therapies are expensive and time-consuming. We seek to facilitate the discovery of new drugs and treatment strategies for cancer using variational autoencoders (VAEs) and multi-layer perceptrons (MLPs) to predict anti-cancer drug responses. Our model takes as input gene expression data of cancer cell lines and anti-cancer drug molecular data and encodes these data with our {\sc {GeneVae}} model, which is an ordinary VAE model, and a rectified junction tree variational autoencoder ({\sc JTVae}) model, respectively. A multi-layer perceptron processes these encoded features to produce a final prediction. Our tests show our system attains a high average coefficient of determination ($R^{2} = 0.83$) in predicting drug responses for breast cancer cell lines and an average $R^{2} = 0.845$ for pan-cancer cell lines. Additionally, we show that our model can generates effective drug compounds not previously used for specific cancer cell lines.
Permutation invariant multi-output Gaussian Processes for drug combination prediction in cancer
MRC Biostatistics Unit, University of Cambridge（剑桥大学医学研究委员会生物统计学单元）；Oslo Centre for Biostatistics and Epidemiology (OCBE), University of Oslo（奥斯陆大学奥斯陆生物统计学与流行病学中心）；Broad Institute of MIT & Harvard（麻省理工学院与哈佛大学博德研究所）；CRUK Cambridge Centre Ovarian Programme（英国癌症研究剑桥中心卵巢项目）；Cambridge Institute of Therapeutic Immunology and Infectious Disease (CITIID)（剑桥治疗免疫学与传染病研究所）
Genotype-Conditioned Molecular Generation via Evidence-Grounded Multi-Objective Latent Perturbation in Diffusion Models
Department of Computer Science and Engineering（计算机科学与工程系）；University of Notre Dame（诺克斯大学）；Department of Chemistry and Biochemistry（化学与生物化学系）；Lucy Family Institute for Data & Society（数据与社会学院）
Drug Repurposing for Cancer: An NLP Approach to Identify Low-Cost Therapies
IBM Research（IBM研究院）；University of Melbourne（墨尔本大学）；Cures Within Reach for Cancer（癌症可及疗法组织）；Massachusetts Institute of Technology（麻省理工学院）；Harvard Medical School（哈佛医学院）
CandidateDrug4Cancer: An Open Molecular Graph Learning Benchmark on Drug Discovery for Cancer
Ping An Healthcare Technology（平安医疗科技）；Chinese Academy of Medical Sciences（中国医学科学院）；National Cancer Center（国家癌症中心）；Xidian University School of Computer Science and Technology（西安电子科技大学计算机科学与技术学院）
Drug Selection via Joint Push and Learning to Rank
Georgia Institute of Technology（佐治亚理工学院）；Twentieth Century Fox（二十世纪福克斯公司）；Starfleet Academy（星际舰队学院）；Indiana University - Purdue University Indianapolis（印第安纳大学-普渡大学印第安纳波利斯分校）
Predicting drug response of tumors from integrated genomic profiles by deep neural networks
Greehey Children’s Cancer Research Institute, University of Texas Health Science Center at San Antonio（德克萨斯大学圣安东尼奥健康科学中心格里希儿童癌症研究所）；University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）；Northwestern Polytechnical University（西北工业大学）；Department of Epidemiology and Biostatistics, University of Texas Health Science Center at San Antonio（德克萨斯大学圣安东尼奥健康科学中心流行病学与生物统计学系）
A Drug Recommendation System (Dr.S) for cancer cell lines
Centrum Wiskunde & Informatica（数学与计算机科学中心）；Utrecht University（乌得勒支大学）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）；Maastricht University Medical Centre+（马斯特里赫特大学医学中心+）
Investigation of REFINED CNN ensemble learning for anti-cancer drug sensitivity prediction
Texas Tech University（德克萨斯理工大学）；University of Nebraska-Lincoln（内布拉斯加大学林肯分校）
使用深度学习模型预测个体细胞系的抗癌药物敏感性是个性化医疗中的重大挑战。基于REFINED（REpresentation of Features as Images with Neighborhood Diversities）CNN（卷积神经网络）的模型在药物敏感性预测中显示出有希望的结果。REFINED CNN背后的主要思想是将高维向量表示为具有空间相关性的紧凑图像，这可以从卷积神经网络架构中受益。然而，从矢量到紧凑的2D图像的映射不是唯一的，这是由于所考虑的距离测量和邻域的变化。在这篇文章中，我们考虑基于从这样的映射构建的集合的预测，可以改进最好的单个REFINED CNN模型预测。使用NCI60和NCIALMANAC数据库的结果表明，集成方法可以提供显着的性能改善相比，个别型号。我们进一步说明，从不同映射的合并创建的单个映射可以提供类似于堆叠集成的性能，但具有显著更低的计算复杂性。
TCR: A Transformer Based Deep Network for Predicting Cancer Drugs Response
Baidu（百度）
由于肿瘤的异质性，在个性化的基础上预测抗癌药物的临床结果在癌症治疗中具有挑战性。传统的计算工作是通过分子谱来描述药物对个体样本的影响，但由于组学数据的高维性，会出现过拟合，阻碍了模型的临床应用。最近的研究表明，深度学习是一种很有前途的方法，通过学习药物和样本之间的比对模式来建立药物反应模型。然而，现有的研究采用简单的特征融合策略，只考虑作为一个整体表示的药物特征，而忽略了子结构信息，可能发挥重要作用时，比对药物和基因。因此，在本文中，我们提出TCR（Transformer based network for Cancer drug Response）来预测抗癌药物的反应。通过利用注意力机制，TCR能够有效地学习药物原子/亚结构与分子特征之间的相互作用。此外，设计了双损失函数和交叉采样策略，以提高TCR的预测能力。我们表明，TCR优于所有其他方法下的各种数据分割策略的所有评估矩阵（一些显着改善）。大量的实验表明，TCR在独立的体外实验和体内真实患者数据上显示出显着提高的泛化能力。我们的研究强调了TCR的预测能力及其对癌症药物再利用和精确肿瘤治疗的潜在价值。
Enhancing drug and cell line representations via contrastive learning for improved anti-cancer drug prioritization
The Ohio State University（俄亥俄州立大学）；Biomedical Informatics Department, The Ohio State University（俄亥俄州立大学生物医学信息学系）；Computer Science and Engineering Department, The Ohio State University（俄亥俄州立大学计算机科学与工程系）；Translational Data Analytics Institute, The Ohio State University（俄亥俄州立大学转化数据分析研究所）
Distinguishing between Normal and Cancer Cells Using Autoencoder Node Saliency
Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）
基因表达谱已被广泛用于表征细胞对疾病的反应模式。随着数据变得可用，可扩展的学习工具包对于使用深度学习模型来处理大型数据集以模拟复杂的生物过程变得至关重要。我们提出了一个自动编码器来捕获从基因表达谱中恢复的非线性关系。自动编码器是一种使用人工神经网络的非线性降维技术，它学习未标记数据的隐藏表示。我们训练的自动编码器上收集的肿瘤样本从国家癌症研究所基因组数据共享，并获得一个广义和无监督的潜在表示。我们利用专注于HPC的深度学习工具包Livermore Big Artificial神经网络（LBANN）来高效地并行化训练算法，将计算时间从几个小时减少到几分钟。使用经过训练的自动编码器，我们生成了一个小数据集的潜在表示，其中包含各种肿瘤类型的正常细胞和癌细胞对。一种新的措施，称为自动编码器节点显着性（ANS）的介绍，以确定隐藏的节点，最好区分各种对细胞。我们比较我们的最佳分类节点的主成分分析和可视化的t分布随机邻居嵌入的结果。我们证明了自动编码器可以有效地为数据集中的多个学习任务提取不同的基因特征。
Autoencoders as Weight Initialization of Deep Classification Networks for Cancer versus Cancer Studies
University of Porto（波尔图大学）；Faculty of Engineering, University of Porto（波尔图大学工程学院）；INESC TEC - Institute for Systems and Computer Engineering, Technology and Science（INESC TEC——系统与计算机工程、技术与科学研究所）
Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug Response
Argonne National Laboratory（阿贡国家实验室）；Leidos Biomedical Research, Inc.（莱多斯生物医学研究公司）；National Cancer Institute（美国国家癌症研究所）；The University of Chicago（芝加哥大学）
TransCDR: a deep learning model for enhancing the generalizability of cancer drug response prediction through transfer learning and multimodal data fusion for drug representation
Shanghai Medical College, Fudan University（复旦大学上海医学院）；Shanghai Institute of Stem Cell Research and Clinical Translation（上海干细胞研究与临床转化研究院）；Shanghai World Foreign Language Academy（上海世界外国语中学）
CancerGPT: Few-shot Drug Pair Synergy Prediction using Large Pre-trained Language Models
University of Texas at Austin（德克萨斯大学奥斯汀分校）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；University of Texas Health Science Center at Houston（德克萨斯大学休斯顿健康科学中心）
CODE-AE: A Coherent De-confounding Autoencoder for Predicting Patient-Specific Drug Response From Cell Line Transcriptomics
Graduate Center, City University of New York（纽约城市大学研究生中心）；Feil Family Brain & Mind Research Institute, Weill Cornell Medicine, Cornell University（康奈尔大学威尔康奈尔医学院菲尔家族脑与心智研究所）；Hunter College, City University of New York（纽约城市大学亨特学院）
Optimal normalization in quantum-classical hybrid models for anti-cancer drug response prediction
The University of Tokyo（东京大学）；Graduate School of Frontier Sciences（前沿科学研究生院）；Laboratory for Medical Science（医学科学实验室）；Department of Computational Biology and Medical Sciences（计算生物学与医学科学系）；Department of Biological Sciences（生物科学系）；School of Science（科学学校）
Learning Curves for Drug Response Prediction in Cancer Cell Lines
Argonne National Laboratory（阿贡国家实验室）；University of Chicago（芝加哥大学）；Frederick National Laboratory for Cancer Research（弗雷德里克国家癌症研究实验室）；Leidos Biomedical Research, Inc.（Leidos生物医学研究公司）
