종단적인 종양 측정값, 드롭아웃 정보, 그리고 유전적 공변량은 치료 반응에 대한 상호 보완적인 정보를 제공하지만, 이러한 데이터 소스들을 단일 인구 모델링 프레임워크 내에서 통합하는 것은 여전히 어렵습니다. 우리는 경험적 베이즈 변분 오토인코더 (EB-VAE) 프레임워크를 종단적 및 시간-이벤트 공동 모델링에 확장하고 이를 종양 성장 데이터에 대해 평가합니다. 이 프레임워크는 공변량 조건부 경험적 베이즈 사전 분포로 정규화된 잠재 개체 효과를 사용하여 개체 간 변동성을 나타내며, 디코더는 이러한 잠재 효과들을 종양 부피 궤적으로 매핑합니다. 정보성 드롭아웃을 설명하기 위해, 디코더에 위험 모델(hazard model)이 추가되어 종양 성장과 드롭아웃 시간의 공동 예측을 산출했습니다. 나아가 우리는 완전 신경망 방식과 하이브리드 반-기계론적 디코더 공식화를 비교하고 유전체 공변량을 유전학 조건부 사전 분포 적응(genetics-conditioned prior adaptation)을 통해 통합했습니다. 이 하이브리드 디코더는 이전에 보고된 비선형 혼합 효과 추정치와 광범위하게 일치하는 치료 효과 매개변수를 복구하면서도, 신경망 디코더에 필적하는 사전 예측 성능을 달성했습니다. 공동 모델은 보류된(held-out) 개체들에서 종양 부피 분포와 드롭아웃 패턴을 모두 재현했으며, 유전학적 조건화는 피부 흑색종 및 유방암 실험 모두에서 개체 수준의 사전 예측 능력을 향상시켰습니다. 안정성 선택(Stability selection)은 BRAF, NRAS, NF1, MDM2와 같은 변이를 포함하여 여러 생물학적으로 그럴듯한 유전적 지표들을 식별했습니다. 이러한 결과들은 EB-VAE가 약물동태학 응용 분야에서 신경 동역학, 기계론적 구조, 시간-이벤트 모델링, 그리고 고차원 공변량을 결합하는 유연한 확률적 프레임워크를 제공함을 입증합니다.