2025年8月13日，南大一附院赵冰、程敏章团队在npj Precision Oncology期刊上发表题为“PharmaFormer predicts clinical drug responses through transfer learning guided by patient derived organoid” 的研究论文，该研究报道了一个基于Transformer架构和迁移学习的模型PharmaFormer，通过结合PDOs和细胞系数据，实现了高精度的临床药效预测。PharmaFormer的核心创新在于其独特的三阶段迁移学习策略。模型首先利用GDSC数据库的900多个细胞系基因表达数据和100多种药物的剂量响应曲线进行预训练，捕捉基因-药物互作的复杂模式。随后，通过有限但高度仿真的类器官药效数据（如结肠癌、膀胱癌类器官）进行微调，显著提升临床适用性。模型架构巧妙融合基因表达和药物分子结构：基因特征提取器采用双层线性层处理RNA-seq数据，而药物特征提取器利用字节对编码（BPE）解析SMILES字符串，这些特征经Transformer编码器整合后，输出精准药效预测。该研究揭示的AI药物预测新策略，为克服类器官数据稀缺、降低临床用药试错成本、加速肿瘤精准医疗与新药研发提供了关键技术与理论支撑。