摘要：近日，南昌大学第一附属医院赵冰、程敏章团队在npj Precision Oncology期刊上发表题为PharmaFormer predicts clinical drug responses through transfer learning guided

近日，南昌大学第一附属医院赵冰、程敏章团队在npj Precision Oncology期刊上发表题为PharmaFormer predicts clinical drug responses through transfer learning guided by patient derived organoid的研究论文，该研究报道了一个基于Transformer架构和迁移学习的模型PharmaFormer，通过结合PDOs和细胞系数据，实现了高精度的临床药效预测。

肿瘤治疗进入精准时代，如何预测患者临床药效成为关键问题，患者来源的类器官（patient-derived organoids，PDOs）在保留肿瘤特征和药效方面具有巨大潜力。然而，类器官培养和药效测试周期较长、成本较高，现有数据体量也不足以支撑深度学习模型。如何充分开发利用有限但优质的类器官高仿真数据，结合大规模细胞系数据基础，实现更准确、可扩展的临床药效预测模型，成为重要挑战。

PharmaFormer的核心创新在于其独特的三阶段迁移学习策略。模型首先利用GDSC数据库的900多个细胞系基因表达数据和100多种药物的剂量响应曲线进行预训练，捕捉基因-药物互作的复杂模式。随后，通过有限但高度仿真的类器官药效数据（如结肠癌、膀胱癌类器官）进行微调，显著提升临床适用性。模型架构巧妙融合基因表达和药物分子结构：基因特征提取器采用双层线性层处理RNA-seq数据，而药物特征提取器利用字节对编码（BPE）解析SMILES字符串。这些特征经Transformer编码器整合后，输出精准药效预测。

在性能验证中，PharmaFormer展现出重要优势。与经典机器学习模型相比，其预训练阶段的Pearson相关系数远超支持向量机和随机森林等传统机器学习方法。更关键的是，微调后的模型在临床预测中实现质的飞跃并在多个独立队列中验证成功。在结肠癌、膀胱癌和肝癌患者中，PharmaFormer微调版本精准区分药物响应者与非响应者。Kaplan-Meier分析显示，接受5-氟尿嘧啶或奥沙利铂治疗的结肠癌患者，微调模型划分的高风险组生存率显著降低；类似结果在吉西他滨/顺铂治疗的膀胱癌队列中重现。这一突破源于类器官数据的生物仿真性——当模型仅用细胞系微调时，预测效果远逊于类器官微调版本。

PharmaFormer有望通过AI与类器官交叉融合的方式，充分挖掘类器官高仿真数据重要价值，同时弥补其培养周期较长、成本较高的阶段性不足，为精准治疗开辟新路径。值得一提的是，FDA于2025年提出的动物实验取代方案，也将Organoids+AI明确为重要工具手段。

来源：家庭医生报