Drug response prediction (DRP) methods tackle the complex task of associating the effectiveness of small molecules with the specific genetic makeup of the patient. Anti-cancer DRP is a particularly challenging task requiring costly exper-iments as underlying pathogenic mechanisms are broad and associated with multiple genomic pathways. The scientific community has exerted significant efforts to generate public drug screening datasets, giving a path to various machine learning (ML) models that attempt to reason over complex data space of small compounds and biological characteris-tics of tumors. However, the data depth is still lacking compared to computer vision or natural language processing domains, limiting current learning capabilities. To combat this issue and increase the generalizability of the DRP mod-els, we are exploring strategies that explicitly address the imbalance in the DRP datasets. We reframe the problem as a multi-objective optimization across multiple drugs to maximize deep learning model performance. We implement this approach by constructing Multi-Objective Optimization Regularized by Loss Entropy (MOORLE) loss function and plug-ging it into a Deep Learning model. We demonstrate the utility of proposed drug discovery methods and make sugges-tions for further potential application of the work to promote equitable outcomes in the healthcare field. Availability: https://github.com/AlexandrNP/MOORLE Contact: onarykov@anl.gov

Abstract The rapid evolution of machine learning has led to a proliferation of sophisticated models for predicting therapeutic responses in cancer. While many of these show promise in research, standards for clinical evaluation and adoption are lacking. Here, we propose seven hallmarks by which predictive oncology models can be assessed and compared. These are Data Relevance and Actionability, Expressive Architecture, Standardized Benchmarking, Generalizability, Interpretability, Accessibility and Reproducibility, and Fairness. Considerations for each hallmark are discussed along with an example model scorecard. We encourage the broader community, including researchers, clinicians, and regulators, to engage in shaping these guidelines toward a concise set of standards. Significance: As the field of artificial intelligence evolves rapidly, these hallmarks are intended to capture fundamental, complementary concepts necessary for the progress and timely adoption of predictive modeling in precision oncology. Through these hallmarks, we hope to establish standards and guidelines that enable the symbiotic development of artificial intelligence and precision oncology.