ScreenShot: A Foundation Model for Few-Shot Combination Drug Screening
Di cosa parla
Si cerca di rendere pratico lo screening di combinazioni di farmaci, che sperimentalmente è troppo vasto, lento e costoso da esplorare. Gli autori hanno preaddestrato un modello su molti dati di screening in modo che, partendo da poche misure funzionali su un nuovo paziente, possa prevedere quali combinazioni sono efficaci senza richiedere dati molecolari o nuovo addestramento. Le informazioni interne del modello vengono poi usate per decidere quali esperimenti eseguire, riducendo molto il numero di test necessari; codice e dashboard interattiva sono disponibili.
Cosa permette di osservare
Permette di esplorare se modelli preaddestrati possono guidare la scelta di terapie combinate quando il materiale biologico e il tempo sono scarsi, e quali criteri usare per selezionare gli esperimenti più informativi.
Dalla fonte
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 f…