.ZERO-SHOT LEARNING을 이용한 사전 임상 약물 스크리닝에서의 약물 반응 예측

전통적인 딥 러닝 방법은 일반적으로 약물 반응 예측(DRP)을 위해 지도 학습을 사용합니다. 이는 모델 훈련을 위해 약물의 라벨된 반응 데이터에 의존하는 것을 의미합니다. 그러나 사전 임상 단계에서의 약물 스크리닝 실용적 적용은 새로운 화합물에 대한 반응을 예측해야 하는 DRP 모델을 요구하며, 이러한 화합물의 약물 반응이 종종 알려져 있지 않습니다. 이는 지도 딥 러닝 방법이 이러한 상황에 적합하지 않다는 도전 과제를 제시합니다. 본 논문에서는 사전 임상 단계에서의 DRP 작업을 위한 제로샷 학습 솔루션을 제안합니다. 구체적으로, 유사한 약물의 이전 반응 데이터에서 불변 특성을 학습하여 라벨이 없는 화합물의 실시간 예측을 강화할 수 있는 Multi-branch Multi-Source Domain Adaptation Test Enhancement Plug-in(MSDA)를 제안합니다. MSDA는 전통적인 DRP 방법과 원활하게 통합될 수 있으며, GDSCv2와 CellMiner 데이터셋을 사용하여 실험을 수행했습니다. 결과는 MSDA가 새로운 화합물에 대한 약물 반응을 효율적으로 예측하며, 사전 임상 약물 스크리닝 단계에서 전반적인 성능 개선률이 5-10%라는 것을 보여줍니다. 이 솔루션의 중요성은 신약 발견 과정을 가속화하고, 후보 약물을 평가하는 능력을 향상시키며, 신약 발견의 성공을 촉진할 수 있는 가능성이 있다는 점에 있습니다.