EVA: a Foundation Model Advancing Translational Drug Development in Immuno-Inflammation
Notice bibliographique
Résumé
Abstract Drug development is a lengthy and high-risk process, with most investigational drug candidates failing in phase II randomized clinical trials (RCT) due to insufficient efficacy. It makes early prediction of trial outcomes crucial for reducing attrition and guiding strategic decisions, especially in immunology and inflammation (I&I) diseases. Herein, we present EVA, the first pre-trained foundation model in complex inflammatory diseases tailored to support drug development. EVA learns generalizable patterns from large-scale data of cell biology and immunology, enabling superior predictive performance and generalization compared to traditional approaches. EVA is pre-trained on tens of millions of single-cell RNA-seq samples and tens of thousands of bulk RNA-seq samples from I&I diseases patients, enabling it to learn disease-relevant transcriptomic patterns in this therapeutic area. By fine-tuning EVA in few-shot settings on both preclinical (mouse) and clinical (human) data and harnessing its wide pre-training knowledge, EVA predicts drug responses in I&I with high precision at both cohort and patient levels, as illustrated by accurate forecasting of anti-TNF therapeutic activity in ulcerative colitis. By deciphering its decision process, we further highlight that EVA’s ability to stratify patients based on predicted drug response can also be leveraged to discover drug response biomarkers as early as preclinical stages. EVA’s applications in precision immunology encompass therapeutic target validation prior to clinical entry, identification of patient subpopulations most likely to benefit from treatment, and comparative efficacy analysis against competitor compounds. EVA’s versatility makes it an invaluable tool for strategic decision-making throughout the drug development pipeline: by leveraging it to prioritize the most promising drug candidates and optimize RCT designs, it can contribute to reduce late-stage failures and accelerate the delivery of effective therapies. Overall, this work represents a significant advancement in utilizing a pre-trained foundation model for precision drug development in complex inflammatory diseases. Graphical abstract EVA is a pre-trained foundation model specific to immune-mediated inflammatory diseases. It enables the prediction of therapeutic efficacy in patients leveraging data from preclinical disease models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».