编辑推荐：
在癌症等复杂疾病治疗中，药物联合治疗意义重大，但当前预测药物联合反应存在局限。研究人员开展 “Predicting drug combination response surfaces” 研究，提出 comboKR 方法。结果显示该方法在新药物场景下优势明显，有助于发现新的有效药物组合。
在癌症治疗的战场上，单一药物治疗常常面临困境，就像一位孤独的战士难以对抗狡猾的敌人。癌症细胞十分 “狡猾”，它们会产生耐药性，让单一药物的效果大打折扣。而药物联合治疗则像是组建了一支强大的战队，不同药物相互配合，有的负责正面进攻，有的负责切断癌细胞的 “补给线”，从而提高治疗效果，还能降低药物副作用。
为了找到最有效的药物组合，科研人员需要进行大量的实验。然而，传统的实验方法不仅耗时费力，而且成本高昂。想象一下，要在众多的药物组合中找到最佳方案，就如同在茫茫大海里捞针。同时，现有的机器学习方法在预测药物联合反应时也存在不足。它们要么只能预测药物联合协同效应的总结指标，要么只能预测单一组合剂量 - 反应值，无法准确地描绘出整个剂量 - 反应组合曲面的连续特性。这就好比只看到了大海里的几朵浪花，而忽略了整个海洋的波澜壮阔。当从这些单独的预测中重建协同效应分数或剂量 - 反应矩阵时，还可能出现不一致的情况。
在这样的背景下，来自阿尔托大学（Aalto University）、芬兰分子医学研究所（FIMM）等机构的研究人员决定迎接挑战，开展了关于 “Predicting drug combination response surfaces” 的研究。他们提出了一种名为 comboKR 的全新预测方法，就像为药物联合治疗找到了一把精准的 “导航仪”。
研究人员在研究过程中运用了多种关键技术方法。他们基于强大的输入 - 输出核回归技术（input–output kernel regression）和响应曲面的功能建模（functional modelling）来构建 comboKR 模型。为了克服不同实验室测量剂量 - 反应时实验设计的差异，还开发了一种新的响应曲面归一化方法。在实验中，他们使用了两个药物联合数据集（NCI - ALMANAC 和 O’Neil），并将 comboKR 与其他方法（如 LTR 和 PIICM）进行对比。
下面来看看具体的研究结果。
- 总体预测性能：研究人员在两种预测场景（新药物和新组合）下进行实验。在新组合场景中，对于 NCI - ALMANAC 数据集，标量值预测方法 LTR 表现稍好；对于 O’Neil 数据集，PIICM 方法略胜一筹，但各方法间差异较小。然而，在更具挑战性的新药物场景中，情况发生了逆转，表面值预测方法大多优于 LTR，comboKR 使用浓度归一化表面核时优势明显。这表明 comboKR 在面对新药物时，能够更准确地预测药物联合反应。
- 不同组织和药物组合类型的性能：研究人员进一步研究了不同组织类型和药物类型组合下各方法的性能。在较容易的预测场景中，对于 NCI - ALMANAC 数据集，LTR 表现略好；对于 O’Neil 数据集，PIICM 表现更好。但在新药物场景中，comboKR 明显优于其他方法。在一些细胞系和药物类型组合中，即使在较容易的新组合场景下，comboKR 也比简单的 comboKR r. 表现更优。这说明 comboKR 在不同组织和药物组合类型中都具有较好的适应性。
- 单个表面预测性能：研究人员对单个表面预测进行了两两比较。结果发现，在新组合预测场景中，各方法差异较小；在新药物预测场景中，再次凸显了表面值方法的优势，LTR 常常得到最差的预测结果，而使用归一化表面核的 comboKR 表现更优。这意味着 comboKR 在预测单个表面时，能够更准确地反映药物联合反应。
综合来看，研究人员通过一系列实验验证了 comboKR 模型在预测药物联合反应曲面方面的有效性。该模型能够直接预测连续的药物联合反应曲面，避免了传统方法预测离散形式目标的局限性。而且，它不需要重新训练模型就能应用于新药物场景，只需要单一疗法反应函数即可。这为发现新的有效药物组合提供了有力的工具，有助于推动癌症治疗等领域的发展。
在讨论部分，研究人员指出这种基于表面值学习的方法为药物联合反应预测提供了新的思路。comboKR 在新药物场景中的出色表现，为探索超越训练集中有限药物的新型药物组合提供了机会。此外，表面值方法在预测极端反应值方面表现更好，这对于识别药物间的协同或拮抗作用至关重要。然而，研究也存在一些局限性，比如 comboKR 模型在处理大规模高通量筛选数据时的可扩展性问题。未来的研究可以朝着提高模型可扩展性、探索不同药物联合表面模型等方向展开。总之，这项研究为药物联合治疗的发展开辟了新的道路，具有重要的理论和实践意义。
