著者らは、経験ベイズ変分オートエンコーダ（EB-VAE）フレームワークを拡張し、縦断的な腫瘍測定値と時間至事象の脱落データを同時にモデル化します。このアプローチは、個人間変動を表すために共変量条件付き事前分布を使用し、情報的脱落に対応するためにデコーダにハザードモデルを追加します。

  • ハイブリッド半メカニスティックデコーダは、ニューラルパフォーマンスを維持しながら、非線形混合効果推定値と一致する治療効果パラメータを回復しました。
  • 遺伝子条件付けは、皮膚黒色腫および乳がんの実験において個人レベルの事前予測を改善しました。
  • 安定性選択により、BRAF、NRAS、NF1、MDM2の変化を含む生物学的に妥当な遺伝子指標が特定されました。

本研究は、EB-VAEが薬物動態学応用においてニューラルダイナミクス、メカニスティック構造、高次元共変量を組み合わせるための柔軟な確率的フレームワークを提供することを示しています。