摘要
基于深度学习的药物反应预测（DRP）方法可以加速药物发现过程并降低研发成本。尽管主流方法在预测反应回归值方面取得了高精度，但这些方法的回归感知表示却支离破碎，无法捕捉样本顺序的连续性。这一现象导致模型被优化到次优解空间，降低了泛化能力，并可能在药物发现阶段造成巨大的浪费成本。本文提出了一种名为 \MN 的对比学习框架，该框架利用自然语言监督进行 DRP。该框架将回归标签转换为文本，并将其与药物反应的标题文本合并，作为与传统模态（图、序列）相比的样本第二模态。在每个批次中，一个样本的两种模态被视为正对，其他对则被视为负对。同时，为了增强数值文本的连续表示能力，引入了一个常识数值知识图谱。我们从癌症药物敏感性基因组学数据集中验证了数十万个样本，观察到应用我们的框架后，DRP 方法的平均改进率在 7.8% 至 31.4% 之间。实验结果证明，\MN 有效地将样本约束在表示空间中的连续分布上，并且在预训练后仅需少量微调即可实现令人印象深刻的预测性能。代码可在以下地址获取：\url{https://gitee.com/xiaoyibang/clipdrug.git}。