近年来随着医疗技术的不断发展,越来越多的患者在患癌早期被发现确诊,一些常见癌症的死亡率逐年下降。由于癌症的治疗并不适用普适性治疗,同样的药物对于不同的患者而言有着不同的治疗效果。个性化癌症药物反应预测需求应此而生。围绕着机器学习技术开发新的模型以解决药物反应预测,已经成为了人们关注的新热点。本文围绕着个性化药物反应预测任务中基因库数据与临床数据之间的数据偏移问题,使用夏普利值（Shapley Value）来对差异基因特征进行特征选择,加强训练模型的泛化能力。同时整合了使用进化算法进行优化的参数自适应优化机制,提出了面向个性化药物反应预测的参数自适应机器学习框架MR.DRP（Mr.Drug Response Predictor）,具体如下:本文首次关注到药物反应预测任务走向临床时需要面对的关键问题:基因库数据与临床数据之间的数据偏移。通过提出基于夏普利值的特征选择来缓和数据偏移现象。并在顺铂（Cisplatin）药物数据集和紫杉醇（Paclitaxel）药物数据集上,开展了一系列分析实验。实验结果表明,基于夏普利值的特征选择方法成功关注到基因库数据与临床数据上存在分布差异的基因。随后通过协方差矩阵自适应进化算法来对可能的参数解空间进行搜索。基于搜索得到的最优解训练模型并在临床数据上进行了验证。结果表明本文提出的参数自适应机器学习框架MR.DRP相比其他传统机器学习模型取得了最好的预测结果。最后,本文对网络模型最重要的部分特征进行了富集性分析,指出了部分影响判断药物反应的重要通路。