CLDR : Modèles de réponse aux médicaments appris par contraste à partir d'une supervision linguistique naturelle

Les méthodes de prédiction de la réponse aux médicaments (PRM) basées sur l'apprentissage profond peuvent accélérer le processus de découverte de médicaments et réduire les coûts de recherche et développement (R&D). Bien que les méthodes principales atteignent une haute précision dans la prédiction des valeurs de régression, leurs représentations conscientes de la régression sont fragmentées et échouent à capturer la continuité de l'ordre des échantillons. Ce phénomène conduit à des modèles optimisés vers des espaces de solutions sous-optimaux, réduisant leur capacité de généralisation et pouvant entraîner des coûts importants gaspillés lors de la phase de découverte de médicaments. Dans cet article, nous proposons \MN, un cadre d'apprentissage par contraste supervisé par langage naturel pour la PRM. Le \MN~transforme les étiquettes de régression en texte, qui est fusionné avec le texte des légendes de la réponse au médicament comme une deuxième modalité des échantillons, en comparaison avec les modalités traditionnelles (graphe, séquence). Dans chaque lot, deux modalités d'un même échantillon sont considérées comme des paires positives et les autres paires sont considérées comme négatives. En même temps, afin d'améliorer la capacité de représentation continue du texte numérique, un graphe de connaissances numériques basé sur le sens commun est introduit. Nous avons validé plusieurs centaines de milliers d'échantillons provenant du jeu de données Genomics of Drug Sensitivity in Cancer, observant que l'amélioration moyenne de la méthode PRM varie entre 7,8\% et 31,4\% grâce à l'application de notre cadre. Les expériences démontrent que le \MN~contraint efficacement les échantillons à une distribution continue dans l'espace de représentation et atteint des performances prédictives impressionnantes avec seulement quelques epochs d'affinage après le pré-entraînement. Le code est disponible à : \url{https://gitee.com/xiaoyibang/clipdrug.git}.