Predicting drug responses of unseen cell types through transfer learning with foundation models
8.4
来源：
Nature
关键字：
neural coding
发布时间：
2025-10-03 19:40
摘要：
CRISP框架通过转移学习提升了对未见细胞类型的药物反应预测能力，展示了在慢性髓性白血病中的应用潜力。该研究利用基础模型和细胞特异性学习策略，解决了现有方法在疾病进展中对新出现细胞类型的预测挑战。研究结果表明，CRISP在药物重定位方面具有显著的潜力，尤其是在针对慢性髓性白血病的治疗中。
原文：
查看原文
价值分投票
评分标准
新闻价值分采用0-10分制，综合考虑新闻的真实性、重要性、时效性、影响力等多个维度。
评分越高，表示该新闻的价值越大，越值得关注。
价值维度分析
domain_focus
1.0分+重点关注领域符合度
business_impact
0.8分+商业影响力
scientific_rigor
1.5分+数据支撑的科学性
timeliness_innovation
1.5分+时效性与创新性
investment_perspective
2.5分+BOCG投资视角
market_value_relevance
1.0分+市场价值相关性
team_institution_background
0.5分+团队与机构背景
technical_barrier_competition
0.5分+技术壁垒与竞争格局
关键证据
CRISP展示了药物重定位的潜力，通过零样本预测慢性髓性白血病的治疗效果。
CRISP框架利用基础模型和细胞特异性学习策略，提升了对未见细胞类型的药物反应预测能力。
研究由香港中文大学及其他国际机构支持，涉及多种数据集的应用。
真实性检查
否
AI评分总结
CRISP框架通过转移学习提升了对未见细胞类型的药物反应预测能力，展示了在慢性髓性白血病中的应用潜力。该研究利用基础模型和细胞特异性学习策略，解决了现有方法在疾病进展中对新出现细胞类型的预测挑战。研究结果表明，CRISP在药物重定位方面具有显著的潜力，尤其是在针对慢性髓性白血病的治疗中。