跳到主要内容
返回时间线
arXiv来源发表:

药物协同预测不再只看分子或网络:BiGSyn把两层图对齐,独立测试AUC达94.37

核心概要

药物协同预测此前多在单一层面建模,要么只看原子级分子图,要么只看药物、靶点、细胞系与组织构成的生物网络,跨层信号难以融合。BiGSyn用异构图Transformer分别从分子图和生物子图提取表示,再用双层对比学习把同一药物的两种表示拉近。在Oncology-Screen与DrugCombDB两个基准上,其独立测试指标均高于六个对比方法,Oncology-Screen的AUC为94.37。

Source-provided article image: BiGSyn: A Bi-Level Heterogeneous Graph Contrastive Learning Framework for Interpretable Drug Synergy Prediction
arXiv

深度剖析

药物协同预测开始同时使用原子级分子图和实体级生物网络这两层信息,而不是在其中一层上单独建模。 此前的做法要么只用分子图,丢掉药物起效所处的生物背景,要么只用生物网络,丢掉细粒度的化学结构。 在Oncology-Screen与DrugCombDB两个基准的独立测试集上,BiGSyn在ACC、Precision、Recall、AUC、AUPR与F1六项指标上均高于DeepSynergy、DeepTraSynergy、GraphSynergy、KGANSynergy、SynergyGTN和GraphTranSynergy六个对比方法。

两层表示通过异构图Transformer学习,再经对比学习对齐后拼接融合,与细胞系特征一起送入分类器判断是否协同。 异构图Transformer是一种在多种节点与边类型的图上用注意力传播信息的网络,分子图以原子为节点、化学键为边,生物网络则包含药物、靶点蛋白、细胞系与组织。 评测采用三种五折交叉验证:样本级随机划分、按药物对划分、按细胞系划分,另留出10%样本作独立测试集;在按药物对和按细胞系划分的更严格设置下,BiGSyn仍取得最佳独立测试表现。

启示与展望

演示范围限于Oncology-Screen与DrugCombDB两个基准数据集上的二元协同分类,评测覆盖样本级、药物对级与细胞系级三种五折划分,并另留10%样本作独立测试集。

按细胞系划分时验证性能略低,说明预测未见过细胞系的协同标签更难;注意力高亮区域与已知药理学位点一致只是提示性证据,案例研究中的候选组合经非穷尽文献检索找到支持。