ScreenShot: A Foundation Model for Few-Shot Combination Drug Screening
作者: Antoine de Mathelin, Christopher Tosh, Wesley Tansey
分类: cs.LG
发布日期: 2026-08-12
🔗 代码/项目: GITHUB
💡 一句话要点
提出ScreenShot以解决组合药物筛选中的数据稀缺问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 组合药物筛选 层次化变换器 少样本学习 药物开发 个性化医疗 主动学习 功能测量
📋 核心要点
- 现有的组合药物筛选方法通常需要大量的分子特征数据和时间，限制了其在实际应用中的有效性。
- ScreenShot通过层次化变换器架构，利用少量样本上下文进行组合治疗反应预测，避免了分子特征分析。
- 在四个独立数据集上，ScreenShot在预测准确性和有效治疗识别方面均显著优于现有方法，且成本更低。
📝 摘要（中文）
组合药物治疗可以降低对单一药物的耐药性风险，但有效组合的发现面临巨大的搜索空间，使得组合筛选既昂贵又耗时。现有的预测模型通常需要每个样本的分子特征和每个队列的训练，限制了其在时间和组织稀缺情况下的适用性。为了解决这一挑战，本文提出了ScreenShot，一个在40个药物筛选数据集上预训练的层次化变换器，涵盖3700种药物和6000个生物样本。ScreenShot通过上下文学习，直接在功能测量上进行预测，无需微调和分子特征分析。在四个保留数据集上，ScreenShot在预测准确性和选择性有效治疗的识别上均优于所有基线。其内部表示可用于实验设计，驱动加权k-means++主动学习策略，选择实验，预算仅为均匀筛选的三分之一。
🔬 方法详解
问题定义：本文旨在解决组合药物筛选中由于数据稀缺导致的预测困难。现有方法需要每个样本的分子特征和针对特定队列的训练，导致在时间和组织稀缺时难以应用。
核心思路：ScreenShot通过层次化变换器架构，利用预训练的知识和少量样本上下文进行组合治疗反应的预测，避免了对分子特征的依赖，提升了模型的适用性和效率。
技术框架：ScreenShot的整体架构包括一个层次化的变换器，能够处理来自不同来源的药物筛选数据。模型通过在40个数据集上预训练，学习到药物与生物样本之间的复杂关系。
关键创新：ScreenShot的主要创新在于其无须微调和分子特征分析的预测能力，直接在功能测量上进行学习，显著提高了组合药物筛选的效率和准确性。
关键设计：模型采用了层次化的变换器结构，结合了加权k-means++主动学习策略，能够在预算有限的情况下选择最有效的实验进行验证。
🖼️ 关键图片
📊 实验亮点
在四个独立的测试数据集上，ScreenShot在预测准确性和有效治疗识别方面均超越了所有基线方法，显示出显著的性能提升。具体而言，ScreenShot在相同的预算下实现了与均匀筛选相同的命中率，成本仅为其三分之一。
🎯 应用场景
ScreenShot的研究成果在药物开发和个性化医疗领域具有广泛的应用潜力。它可以帮助研究人员快速识别有效的药物组合，尤其是在临床试验资源有限的情况下，提升药物筛选的效率和准确性，推动新药的研发进程。
📄 摘要（原文）
Treating patients with combinations of drugs reduces the risk of resistance to any individual drug. Finding effective combinations is difficult because the large search space makes combinatorial screens prohibitively expensive, time consuming, and often technically infeasible. Predictive models can fill this gap, yet existing methods typically require molecular profiling of each sample and per-cohort training, limiting their applicability when time and tissue are scarce. To address this challenge, we introduce ScreenShot, a hierarchical transformer pretrained on 40 drug screening datasets covering 3,700 drugs and 6,000 biological samples, whose architecture mirrors the nested structure of screening data. Given a few-shot context of observations from a new patient, ScreenShot predicts the response of the sample to combination therapies through in-context learning, operating directly on functional measurements with no fine-tuning and no molecular profiling. On four held-out datasets, ScreenShot outperforms all baselines in both prediction accuracy and identification of selectively effective treatments. ScreenShot's internal representations are directly useful for experimental design: we use them to drive a weighted k-means++ active learning strategy that selects which experiments to run, achieving the same hit detection as uniform screening with a third of the budget. Source code and interactive dashboard: https://github.com/tansey-lab/screenshot.