同一模型，换一套药敏数据就可能掉分；同一对药，换一种细胞背景也未必仍然协同。本期打开 Briefings in Bioinformatics（BIB），看看公开数据如何支撑药物反应、耐药与联合用药的计算选题。
::: block-1
:::
期刊介绍
| 项目 | 期刊资料 |
|---|---|
| 期刊 | Briefings in Bioinformatics（BIB） |
| 出版社 | Oxford University Press |
| eISSN | 1477-4054 |
| 2025 JIF | 7.3 |
| 2025 五年JIF | 8.1 |
| 2025 CiteScore | 13.6 |
| 2025 JCR小类排名 | 生化研究方法 4/85 ；数学与计算生物学 6/67 |
| 收录情况 | SCIE |
| 出版模式 | 完全开放获取，自2024年1月起实施 |
| 官方范围 | 数据库与分析工具在遗传学、分子生物学和系统生物学中的应用，覆盖各类组学、结构生信、临床转化、单细胞与空间组学及AI/机器学习 |
| 主要内容 | 新方法、案例分析、综述与观点文章 |
期刊指标与范围按出版社公开页面整理，核对日期为 2026年10月19日，各指标保留官网标注的年度。
::: block-1
AI药物反应、耐药与联合用药预测
本期聚焦以公共数据、算法开发、迁移学习或系统评测为主要贡献的计算工作，区分药物反应预测、耐药相关识别和药物协同预测三类任务。公开样本说明该刊存在不新增湿实验的发表路径，但不等于常规公共数据分析都适配，也不代表计算预测已经获得临床验证。
:::
检索窗口为 2025年4月19日至2026年10月19日 。Europe PMC日期索引下，该刊共有1194条记录；以drug response、drug sensitivity、drug resistance、drug combination及synergy等题名/摘要关键词检索得到50条，再结合摘要与文章类型重点核对19篇计算候选，回核全文、上线日期和原图后展示6篇。以上是本栏目的操作性样本，不是期刊官方分类。
代表论文研究路径
::: block-1
01｜跨数据集药敏评测
5套公开药筛数据 → 药物与细胞标识统一 → 7种模型标准化比较 → 跨数据集泛化与性能下降评估
:::
::: block-1
02｜scATD：单细胞耐药识别
细胞系药敏标签 → 基础模型表达表征 → 双向风格迁移与知识蒸馏 → 独立数据评测与特征归因
:::
::: block-1
03｜MolMM：耐药转运蛋白
多来源ABCB1活性数据 → 置信分层与多任务学习 → 底物/抑制剂预测 → SHAP与分子动力学解释
:::
::: block-1
04｜BridgeSyn：多模态协同预测
药物分子与细胞表达 → 预训练表征 → 桥接融合 → 两套公开药物联合数据评测
:::
::: block-1
05｜MetaSynergy：少样本联合用药
药物图与细胞组学 → 跨域预训练 → 分层元优化与微调 → 少样本、零样本与低相似度测试
:::
::: block-1
06｜UnbiasNet：排查预测捷径
实体关联比例偏倚 → 实体平衡测试集 → 多样化子训练集 → 药物协同等任务的稳健性评测
:::
01｜药敏模型换个数据库，还能保住多少分？
把5套公开药筛数据与7种模型放到统一框架下，先处理药物、细胞系标识和药物反应度量的一致性，再比较数据集内部与跨数据集的预测表现。结果显示，模型换到未见数据集后普遍出现性能下降，没有一种方法在所有场景中持续领先。其代表性不在于再造一个网络，而是交付可复用的评测流程，回答模型到底能迁移多远；细胞系之间的迁移仍不能替代患者层面的临床验证。
02｜scATD：把细胞系药敏知识带到单细胞
以细胞系药敏标签为起点，scATD利用scFoundation、Geneformer与迁移学习连接bulk和单细胞表达，并通过知识蒸馏降低大模型推断的资源需求。除多套独立数据评测外，还使用带RECIST标签的数据考察临床相关任务，再用特征归因寻找耐药相关基因。这里的亮点是迁移效率、泛化和可解释性同时展开；无需为新患者重新训练的设定有既定药物---癌种范围，归因结果也不能直接当作耐药因果机制。
03｜MolMM：耐药相关计算，不一定从差异基因开始
围绕多药耐药转运蛋白ABCB1，MolMM先整理不同来源的功能活性记录，按标签置信度分层，再结合元学习与多任务学习区分潜在底物和抑制剂。随后用SHAP归纳分子特征，并以粗粒化伞形采样及自由能分析讨论识别过程。它呈现的是"数据整理＋预测模型＋计算生物物理解释"的组合；预测对象是ABCB1相互作用类型，并非直接判断患者是否耐药，更不等于已证明某种组合能逆转耐药。
04｜BridgeSyn：两种药与细胞背景，怎样真正融合？
将药物分子表征与细胞系基因表达共同输入，BridgeSyn借助预训练模型补充先验信息，再以共享桥接token与交叉注意力学习药物对和细胞背景之间的联系。在O'Neil与NCI-ALMANAC两套公开数据上开展方法比较、不同划分评测与消融，并检查交换药物输入顺序的影响。其贡献集中在多模态交互，而不只是把特征拼接起来；输出的协同分数仍不等于完整剂量反应曲面，也不能直接转成临床用药方案。
05｜MetaSynergy：标签很少，也能形成明确的方法问题
面对部分细胞系缺少联合用药标签的情形，MetaSynergy整合药物分子图与细胞组学，按跨域预训练、分层元优化和微调逐步适配目标场景，再设置5-shot、10-shot、30-shot，以及零样本和低相似度测试。它把"数据少"具体化为可评测的迁移任务，并通过消融检查各环节的贡献。这里的shot指目标细胞背景下少量带标签的联合用药实例，不是5、10或30位患者，也不能把候选协同组合写成已验证疗法。
06｜UnbiasNet：高分预测，可能学会了什么捷径？
从"某些药物或细胞更常出现在阳性记录中"这一偏倚切入，工作提出实体平衡评估与UnbiasNet训练策略，通过平衡各实体的正负关联、轮换多样化子训练集，限制模型利用关联比例取得高分。在药物协同、药物---靶点及病毒---宿主任务中比较常规评估、简单比例基线和模型表现。它代表的是评测可靠性与偏倚纠正方向；实体平衡针对特定捷径，不能替代所有独立测试或分布外验证。
XXX
文中如有错漏，欢迎联系小编勘误