CLDR: Kontrastives Lernen von Drogenreaktionsmodellen durch natürliche Sprachüberwachung

Tiefes Lernen-basierte Methoden zur Vorhersage der Drogenreaktion (DRP) können den Prozess der Wirkstoffentdeckung beschleunigen und die Kosten für Forschung und Entwicklung senken. Obwohl die gängigen Methoden eine hohe Genauigkeit bei der Vorhersage von Regressionswerten erreichen, sind die regressive Darstellungen dieser Methoden fragmentiert und scheitern daran, die Kontinuität der Stichprobenreihenfolge zu erfassen. Dieses Phänomen führt dazu, dass Modelle auf suboptimalen Lösungsräumen optimiert werden, was ihre Generalisierungsfähigkeit verringert und erhebliche Kosten im Phase der Wirkstoffentdeckung verschwenden kann.In diesem Artikel schlagen wir \MN vor, einen kontrastiven Lernrahmen mit natürlichsprachlicher Überwachung für die DRP. \MN wandelt Regressionslabels in Text um, der mit dem Text der Bildunterschriften der Drogenreaktion als zweite Modalität der Stichproben verglichen wird, neben den traditionellen Modalitäten (Graph, Sequenz). In jedem Batch werden zwei Modalitäten einer Stichprobe als positive Paare betrachtet und alle anderen Paare als negative Paare. Gleichzeitig, um die kontinuierliche Darstellungsfähigkeit des numerischen Textes zu verbessern, wird ein allgemeines numerisches Wissensgraph eingeführt.Wir haben mehrere Hunderttausend Stichproben aus dem Genomics of Drug Sensitivity in Cancer-Datensatz validiert und beobachtet, dass die durchschnittliche Verbesserung der DRP-Methode durch die Anwendung unseres Rahmens zwischen 7,8\% und 31,4\% liegt. Die Experimente zeigen, dass \MN die Stichproben effektiv in einem kontinuierlichen Verteilungsraum darstellt und nach dem Vortrainings bereits nach wenigen Feinabstimmungsphasen beeindruckende Vorhersageleistungen erzielt. Der Code ist unter folgender URL verfügbar: \url{https://gitee.com/xiaoyibang/clipdrug.git}.