Abstract
がん薬剤への応答は、腫瘍間で多層の分子不均一性によって大きく異なり、精密腫瘍学のための計算的意思決定支援が求められている。近年、深層CDRモデルの進展があるにもかかわらず、高次元のマルチオミクスと、化学的に構造化された薬剤との間で頑健に整合させることは、モダリティ間の不整合や限定的な帰納バイアスのために依然として困難である。そこで我々は、対数(IC50)回帰と薬剤感受性分類を同時に行うための、エンドツーエンドのデュアルブランチ・トランスフォーマー融合フレームワークであるDeepDTFを提案する。細胞株ブランチでは、マルチオミクス・プロファイルに対してモダリティ固有のエンコーダを用い、トランスフォーマーブロックによって長距離依存関係を捉える。一方、薬剤ブランチでは、化合物を分子グラフとして表現し、GNN-Transformerでエンコードすることで、局所トポロジーと大域的文脈を統合する。オミクス表現と薬剤表現は、トランスフォーマーに基づくモジュールで融合し、モダリティ間相互作用をモデル化することで特徴の不整合を緩和する。公開されている薬理ゲノム学のベンチマークにおいて、5-foldのコールドスタート（細胞株）評価を行うと、DeepDTFはオミクス設定のすべてにおいて強力なベースラインを一貫して上回り、完全なマルチオミクス入力では最大RMSE=1.248、R^2=0.875、AUC=0.987を達成し、分類誤り（1-ACC）を9.5%低減する。精度の向上に加えて、DeepDTFはSHAPに基づく遺伝子の寄与と、事前順位付けに基づくGSEAによる経路の富化を通じて、 生物学的に根拠のある説明を提供する。
