藥物組合的協同作用在提高藥物療效或者減輕藥物毒副作用方面非常重要。然而由于藥物之間復雜的作用機制，通過試驗篩選新的藥物組合需要巨大的成本。眾所周知，運用計算模型的虛擬篩選，可以有效降低試驗成本。最近，國外學者運用深度學習模型 DeepSynergy，成功預測了新的藥物組合在癌癥細胞系上的協同作用值。在本研究中，針對 DeepSynergy 采用 two-stage 方法和輸入特征單一的問題，我們提出了一種新的端到端的深度學習模型 MulinputSynergy。該模型通過整合癌癥細胞的基因表達、基因突變、基因拷貝數特征和抗癌藥物化學特征來預測藥物組合的協同作用值。為了解決細胞系某些特征維度數高的問題，我們使用卷積神經網絡對基因特征降維。實驗結果表明，本文提出的模型優于 DeepSynergy 深度學習模型，均方誤差從 197 下降到 176，平均絕對誤差從 9.48 下降到 8.77，決定系數從 0.53 提升到 0.58。研究結果表明本文模型能從多種特征中學習抗癌藥物與細胞系的潛在關系，并且快速準確地定位有效的藥物組合。
藥物組合的協同作用能夠解決單一藥物療法的獲得耐藥性問題，對于癌癥等復雜疾病的治療具有巨大的潛力。在本項研究中，為了探索不同藥物分子間相互作用對于抗癌藥物療效的影響，我們提出了一種基于Transformer的深度學習預測模型——SMILESynergy。首先用藥物的文本數據——簡化分子線性輸入規范（SMILES）表征藥物分子，其次通過SMILES Enumeration生成藥物分子的異構體進行數據增強，然后利用Transformer中的注意力機制對數據增強后的藥物進行編解碼，最后連接一個多層感知器（MLP）獲得藥物的協同作用值。實驗結果表明我們的模型在O’Neil數據集的回歸分析中均方誤差為51.34，分類分析中準確率為0.97，預測性能均優于DeepSynergy和MulinputSynergy模型。SMILESynergy具有更好的預測性能，可輔助研究人員快速篩選最優藥物組合以提高癌癥治療效果。