KGLGANSynergy: red neuronal basada en grafos de conocimiento con atención local y global para la predicción de...

Área de la Ciencia:

• Biología computacional
• Bioinformática
• Aprendizaje automático en el descubrimiento de fármacos

Sus antecedentes:

• La terapia combinada de fármacos es crucial para enfermedades complejas, pero la identificación de pares sinérgicos es un desafío.
• Los métodos convencionales para la predicción de sinergia de fármacos son ineficientes y costosos.
• El aprendizaje de representación de grafos muestra ser prometedor para modelar interacciones biomoleculares, pero los métodos existentes pasan por alto atributos cruciales del grafo.

Objetivo del estudio:

• Desarrollar un marco avanzado de aprendizaje profundo basado en grafos de conocimiento para la predicción precisa de sinergia de fármacos.
• Superar las limitaciones de los métodos existentes incorporando características de grafos tanto locales como globales.
• Proporcionar una herramienta computacional más eficiente para identificar combinaciones de fármacos sinérgicas.

Principales métodos:

• Se propuso KGLGANSynergy, un marco que integra la Red de Atención de Grafos Locales (LGAT) y la Red de Atención de Grafos Globales (GGAT).
• Se empleó la Atención Cruzada Mutua (MCA) para fusionar características locales y globales para la representación de fármacos y líneas celulares.
• Se calcularon las puntuaciones de sinergia combinando los vectores de características de fármacos y líneas celulares y aplicando una función sigmoide.

Principales resultados:

• KGLGANSynergy logró altas puntuaciones AUPR (0,9360 en DrugCombDB, 0,9472 en Oncology-Screen) en conjuntos de datos de referencia.
• El modelo superó a los métodos de referencia existentes en la predicción de sinergia de fármacos.
• Estudios de caso confirmaron la capacidad del modelo para identificar nuevas combinaciones de fármacos sinérgicas.

Conclusiones:

• KGLGANSynergy ofrece una herramienta computacional más precisa para predecir la sinergia de fármacos.
• Se introdujo un paradigma de aprendizaje de representación de grafos multinivel para datos biomédicos.
• Se demostró un potencial significativo para avanzar en el descubrimiento de fármacos y las aplicaciones clínicas.