一种基于对抗域泛化的药物敏感性预测算法

在癌症治疗中，预测药物响应是个重要且具有挑战性的任务。由于细胞系的数据多，而单细胞或病人的数据相对匮乏，使得传统借助细胞系或病人数据来做域迁移或域适应之类的方法存在一定的局限性，特别当缺少某个癌种的单细胞(或病人)数据时，那我们就完全无法将细胞系上学习到的知识迁移到待分类的目标数据上，为填补这一方面的空缺，我们提出一种基于对抗学习方法的域泛化模型，旨在通过消除不同域间的分布差异来提高模型的通用性。我们的模型通过梯度反转将来自不同域的数据进行对抗学习，使得这些数据在嵌入空间中与药物响应无关的那一部分信息被模糊。为实现这一目标，我们借助潜在独立因子编码，让每一个维度的特征都与某一个特定周期的正弦波做线性组合，以确保分类任务与对抗学习间的任务是相互独立的。在实验部分，我们使用了公共数据源的数据，分别进行了细胞系、单细胞和肿瘤病人的药物响应预测实验。结果表明，我们提出的域泛化理论是可靠的。