[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

scDrugMap: Benchmarking Large Foundation Models for Drug Response Prediction

Created by
  • Haebom

저자

Qing Wang, Yining Pan, Minghao Zhou, Zijia Tang, Yanfei Wang, Guangyu Wang, Qianqian Song

개요

본 논문은 단일 세포 데이터에서 약물 반응을 예측하기 위한 통합 프레임워크인 scDrugMap을 제시합니다. scDrugMap은 Python 명령줄 인터페이스와 웹 서버를 모두 제공하며, 8가지 단일 세포 모델과 2가지 대규모 언어 모델을 포함한 다양한 기반 모델을 평가합니다. 36개의 데이터셋, 다양한 조직 및 암 유형에 걸쳐 326,000개 이상의 세포(주요 데이터셋)와 18,800개의 세포(검증 데이터셋)를 사용하여 모델 성능을 풀링 데이터 및 크로스 데이터 평가 설정에서 벤치마킹하였습니다. 계층 동결 및 저순위 적응(LoRA) 미세 조정 전략을 사용하여 평가하였으며, 풀링 데이터 시나리오에서는 scFoundation 모델이 가장 우수한 성능을 보였고, 크로스 데이터 설정에서는 미세 조정 후 UCE 모델이, 제로샷 학습에서는 scGPT 모델이 가장 우수한 성능을 보였습니다. scDrugMap은 단일 세포 데이터에서 약물 반응 예측을 위한 기반 모델의 최초 대규모 벤치마크를 제공하며, 약물 발견 및 중개 연구 발전을 위한 사용자 친화적이고 유연한 플랫폼 역할을 합니다.

시사점, 한계점

•
시사점:
◦
단일 세포 데이터에서 약물 반응 예측을 위한 다양한 기반 모델의 성능을 종합적으로 비교 분석한 최초의 대규모 벤치마크 연구임.
◦
scDrugMap이라는 사용자 친화적인 플랫폼을 제공하여 약물 발견 및 중개 연구에 기여할 수 있음.
◦
풀링 데이터 및 크로스 데이터 설정에서 각 모델의 강점과 약점을 명확히 제시하여 향후 연구 방향 제시.
◦
다양한 모델(단일 세포 모델, 대규모 언어 모델) 및 미세조정 전략(계층 동결, LoRA)을 비교하여 실제 응용에 적합한 모델 선택에 도움.
•
한계점:
◦
사용된 데이터셋의 다양성에도 불구하고, 특정 암 유형이나 조직에 대한 편향이 존재할 가능성.
◦
모델 성능 평가 지표로 F1 스코어만 사용하여 다른 지표(예: 정밀도, 재현율)를 고려하지 않은 점.
◦
실제 임상 환경에서의 검증이 부족하여 임상 적용 가능성에 대한 추가 연구 필요.
◦
새로운 약물이나 암 유형에 대한 일반화 성능에 대한 추가적인 평가 필요.
👍
Made with Slashpage