CLDR: نماذج استجابة الأدوية من خلال التعلم المقارن تحت إشراف اللغة الطبيعية

يمكن أن تسريع طرق التنبؤ برد فعل الدواء (DRP) المستندة إلى التعلم العميق عملية اكتشاف الأدوية وتخفيض تكاليف البحث والتطوير. رغم أن الطرق الرئيسية تحقق دقة عالية في التنبؤ بقيم الانحدار، فإن تمثيلات الانحدار لهذه الطرق مجزأة ولا تنجح في التقاط استمرارية ترتيب العينات. يؤدي هذا الظاهرة إلى نماذج محسنة لمساحات حلول غير مثلى، مما يقلل من قدرتها على التعميم وقد يؤدي إلى هدر كبير في التكاليف خلال مرحلة اكتشاف الدواء. في هذه الورقة، نقترح \MN، إطارًا للتعلم المقارن مع إشراف اللغة الطبيعية للتنبؤ برد فعل الدواء (DRP). يقوم \MN~بتحويل علامات الانحدار إلى نص يتم دمجه مع النصوص الوصفية لرد فعل الدواء كنمط ثاني للعينات بالمقارنة مع الأنماط التقليدية (الرسم البياني، التسلسل). في كل مجموعة، يعتبر نمطان من عينة واحدة زوجين إيجابيين ويُعتبر الأزواج الأخرى زوجين سلبيين. وفي الوقت نفسه، من أجل تعزيز قدرة تمثيل النص العددي المستمر، يتم تقديم رسم بياني للمعرفة العددية الشائعة. أجرينا التحقق من صحة عدة مئات الآلاف من العينات من مجموعة بيانات جينوميات حساسية السرطان للأدوية، حيث لوحظ أن متوسط تحسن طريقة DRP يتراوح بين 7.8٪ و31.4٪ باستخدام إطارنا. تثبت التجارب أن \MN~يقيّد العينات بشكل فعال لتوزيع مستمر في الفضاء التمثيلي ويحقق أداءً تنبؤيًا مثيرًا للإعجاب بمجرد خضوعه لعدة دورات فقط من التعديل الدقيق بعد التدريب الأولي. يمكن الحصول على الكود من: \url{https://gitee.com/xiaoyibang/clipdrug.git}.