Large variability between cell lines brings a difficult optimization problem of drug selection for cancer therapy. Standard approaches use prediction of value for this purpose, corresponding e.g. to expected value of their distribution. This article shows superiority of working on, predicting the entire probability distributions - proposing basic tools for this purpose. We are mostly interested in the best drug in their batch to be tested - proper optimization of their selection for extreme statistics requires knowledge of the entire probability distributions, which for distributions of drug properties among cell lines often turn out binomial, e.g. depending on corresponding gene. Hence for basic prediction mechanism there is proposed mixture of two Gaussians, trying to predict its weight based on additional information.
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）
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）
Psilocybin based therapy for cancer related distress, a systematic review and meta analysis
背景资料：抑郁和焦虑在癌症患者中很常见，与安慰剂相比，经典的抗抑郁药对这种类型的痛苦没有证明有效。在最近的研究中，一种基于裸盖菇素（能致幻剂）的治疗似乎产生了有希望的结果。目的：检查是否可以考虑基于裸盖菇素的治疗用于癌症相关抑郁和焦虑患者，并假设其安全性。总结了Heffter研究所的工作，作为本课题的主要研究机构。方法：根据PRISMA（Preferred Reporting Items for Systematic Reviews and Meta Analyses）指南，对裸盖菇素治疗癌症相关抑郁症和焦虑症的定量和定性研究进行系统评价。Pubmed和Heffter研究所的数据库已经达到了这一目的，将研究分为定性或定量两种类型。我们分别研究了癌症相关抑郁和焦虑的影响，并探讨了心理和神经生物学机制。结果如下：4项研究共纳入105例随机患者，采用合并Peto比值比对抑郁和焦虑进行Meta分析，结果显示裸盖菇素显著优于安慰剂。该物质似乎对这类患者是安全的。令人惊讶的心理机制假说已经被发现。结论：裸盖菇素似乎是一种潜在的有用的治疗癌症相关的抑郁和焦虑。未来的研究应该在更广泛的人群中验证这些发现，并最终寻求一种将治疗应用于非住院（门诊）患者的方法。关键词：裸盖菇素，抑郁，焦虑，综述，荟萃分析
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+）
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）
Mathematical Modeling of Cancer-Bacterial Therapy: Analysis and Numerical Simulation via Physics-Informed Neural Networks
TICLab, International University of Rabat（里海大学拉巴特分校TIC实验室）；Université de Lorraine, CNRS, CRAN（洛林大学，法国国家科学研究中心，CRAN研究所）；Université de Lorraine, CNRS, IECL（洛林大学，法国国家科学研究中心，IECL研究所）；Univ Rennes, INSA, CNRS, IRMAR-UMR 6625（里昂大学，法国国家科学研究中心，IRMAR-UMR 6625研究所）
Parenclitic hypergraphs and their application in personalized cancer therapy
Scuola Superiore Meridionale（南方高等学院）；Universidad Rey Juan Carlos（雷乌斯·胡安·卡洛斯国王大学）；Research Institute of Intelligent Control and Systems, Harbin Institute of Technology（哈尔滨工业大学智能控制与系统研究院）；Hangzhou Institute for Advanced Study, University of the Chinese Academy of Sciences（中国科学院大学杭州高等研究院）；Harbin Institute of Technology（哈尔滨工业大学）；Beihang University（北京航空航天大学）；University of Electronic Science and Technology of China（电子科技大学）；University of Trento（特伦托大学）；North University of China（中北大学）
Identifying expanding TCR clonotypes with a longitudinal Bayesian mixture model and their associations with cancer patient prognosis, metastasis-directed therapy, and VJ gene enrichment
Department of Biostatistics（生物统计系）；Department of Radiation Oncology, Mayo Clinic（梅奥诊所放射肿瘤科）；Department of Translational Molecular Pathology（转化分子病理学系）；Departments of Thoracic/Head and Neck Medical Oncology（胸部/头颈医学肿瘤科）；Department of Radiation Oncology, University of Texas MD Anderson Cancer Center（德克萨斯大学安德森癌症中心放射肿瘤科）
