相关研究刊登在国际杂志Nature Communications上。
目前，随着药物基因组学的出现和发展，研究人员可以利用先前收集的药物对药物反应的数据，进行机器学习研究，以帮助预测不同患者对药物的反应，输入尽可能多的高质量的学习数据，对个别药物反应作出反应，也可以作为一个研究起点，帮助提高机器学习预测的准确性。
与人类临床研究数据相比，先前研究人员使用的动物模型的临床前试验结果相对容易获得。
在这项研究中，研究人员成功地提高了使用最接近真实人类反应的数据来预测抗癌药物反应的准确性。研究人员开发的新机器学习技术可以使用算法从实际患者的人工器官中学习转录群信息，而不是从动物模型中学习转录群信息。
在这项研究中，研究人员成功地提高了使用最接近真实人类反应的数据来预测抗癌药物反应的准确性。研究人员开发的新机器学习技术可以使用算法从实际患者的人工器官中学习转录群信息，而不是从动物模型中学习转录群信息。
研究人员表示，即使是同一类型的癌症患者对抗癌药物的反应也不同，因此在癌症治疗的发展过程中，为不同患者定制治疗尤其重要。
然而，目前研究人员的预测是基于癌细胞的遗传信息，这限制了预测的准确性。由于不必要的生物标记信息，机器学习也会出现基于错误信号的学习问题。
然而，目前研究人员的预测是基于癌细胞的遗传信息，这限制了预测的准确性。由于不必要的生物标记信息，机器学习也会出现基于错误信号的学习问题。
为了提高预测的准确性，研究人员引入了一种机器学习算法，该算法可以使用蛋白质相互作用网络，它可以与目标蛋白和单一蛋白质(与药物靶标直接相关)的转录组相互作用，从而促进蛋白质转录组的学习，该组在功能上非常接近目标蛋白。
研究人员能够从选定的生物标志物中学习，而不是传统的机器学习技术必须学习的错误的生物标记，从而间接地提高了预测的准确性。
研究人员还表示，使用开发的新方法，他们可以预测用5-氟尿嘧啶治疗的大肠癌患者与用DDP治疗的膀胱癌患者之间的相似临床结果。
研究人员能够从选定的生物标志物中学习，而不是传统的机器学习技术必须学习的错误的生物标记，从而间接地提高了预测的准确性。
研究人员还表示，使用开发的新方法，他们可以预测用5-氟尿嘧啶治疗的大肠癌患者与用DDP治疗的膀胱癌患者之间的相似临床结果。
