저자들은 경험 베이지안 변분 오토인코더(EB-VAE) 프레임워크를 확장하여 종양 측정값과 사건 발생까지의 시간 데이터의 공동 탈락 데이터를 함께 모델링합니다. 이 접근법은 개인 간 변이를 표현하기 위해 공변량 조건부 사전 분포를 사용하고, 정보성 탈락을 고려하기 위해 디코더에 위험도 모델을 추가합니다.
- 하이브리드 반기계론적 디코더는 신경망 성능을 유지하면서 비선형 혼합 효과 추정치와 일치하는 치료 효과 매개변수를 복원했습니다.
- 유전적 조건화는 피부 흑색종 및 유방암 실험에서 개인 수준의 사전 예측을 개선했습니다.
- 안정성 선택은 BRAF, NRAS, NF1 및 MDM2의 변화 등 생물학적으로 타당한 유전자 지표를 식별했습니다.
이 연구는 EB-VAE가 약동학적 응용 분야에서 신경 역학, 기계론적 구조 및 고차원 공변량을 결합하기 위한 유연한 확률적 프레임워크를 제공함을 보여줍니다.