癌细胞模型

10月19日，韩国光州科学技术院GIST AI大学院李贤珠教授团队公布AI模型InFo-DRP，用于预测癌细胞对新药的反应。团队基于大规模癌细胞药物反应数据库，与6种现有AI模型对比，在两种严格设定下验证能力。第一种是训练数据中未出现的全部药物，InFo-DRP预测相关系数PCC达到0.617，高于现有最佳水平0.489，提升26.2%；第二种更苛刻，要求候选药与训练药物核心化学骨架完全不重叠，PCC达到0.592，而现有最强模型只有0.436，提升35.8%。研究论文于9月30日发表在IEEE Journal of Biomedical and Health Informatics，10月19日由GIST对外公布成果。 见过的药预测准，为什么没见过的才算真本事？ 多数药物反应模型在训练集分布内表现良好，一旦遇到新化学骨架就大幅退化，因为模型记住的是已知分子的模式而非通用规律。InFo-DRP从药物多种化学特征中筛选有用信息，再与癌细胞基因表达信息联合建模，目标是在新药开发早期缩小候选范围、排定实验优先级。骨架不重叠测试专门用来检验泛化能力，35.8%的提升说明它捕捉到了更底层的结构与响应关系，而非记忆已知样本。 这套模型能替代湿实验吗？ 不能。PCC是相关性而非绝对精度，模型输出的是候选优先级排序，真正的药效、毒性与联合用药反应仍需细胞与动物实验验证。价值在于把海量虚拟分子中可能有效的那一小批先挑出来，降低化合物筛选成本与周期。研究面向的是早期发现阶段，不涉及临床剂量与人体安全性判断。 与主流AI制药路线差异在哪里？ 当下AI制药多聚焦生成新分子结构，InFo-DRP属于反应预测侧，解决的是给定分子后判断癌细胞会不会响应，两者可串联使用。模型把基因表达作为条件信号，意味着同一药物在不同肿瘤亚型上的差异也能纳入预测，这对精准医疗中的分层筛选更直接。 这项成果对临床前管线意味着什么？ 实验室阶段最大的浪费是把资源投到不可能有效的分子上，AI排序能先砍掉低概率候选，让实验集中在高潜力对象。但从GIST团队的学术模型到工业级管线，还需要更大规模多中心数据、可解释性与监管认可，短期内更适合作为研究助手而非决策替代。具体而言，当前训练依赖单一来源的细胞系与化合物数据库，不同实验室培养条件、测量批次与癌细胞系背景差异都会引入分布偏移，模型在独立队列上的稳定性尚未被验证；工业落地还要求给出可追溯的特征权重，让药学家知道模型依据哪些分子片段与基因表达信号做出判断，而不是只交付一个黑盒分数。因此这项成果更适合接入早期筛选流水线做粗排，最终取舍仍由资深研发团队结合实验结果决定。 信息来源与延伸阅读？ 학습하지 않은 신약 후보도 반응 예측，GIST 이현주 교수팀 AI 모델 - 인공지능신문 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论