KGLGANSynergy：知識グラフベースの局所的および大局的注意ネットワークによる薬物相乗作用予測

科学分野:

• 計算生物学
• バイオインフォマティクス
• 創薬における機械学習

背景:

• 薬物併用療法は複雑な疾患に不可欠ですが、相乗的なペアを特定することは困難です。
• 従来の薬物相乗作用予測方法は非効率的でコストがかかります。
• グラフ表現学習は、生体分子相互作用をモデル化する上で有望ですが、既存の方法では重要なグラフ属性が見落とされています。

研究 の 目的:

• 正確な薬物相乗作用予測のための高度な知識グラフベースのディープラーニングフレームワークを開発すること。
• 局所的および大局的なグラフ特徴の両方を組み込むことにより、既存の方法の限界を克服すること。
• 相乗的な薬物併用を特定するためのより効率的な計算ツールを提供すること。

主な方法:

• 局所グラフ注意ネットワーク（LGAT）と大局グラフ注意ネットワーク（GGAT）を統合したフレームワークであるKGLGANSynergyを提案しました。
• 相互注意（MCA）を採用して、薬物および細胞株の表現のために局所的および大局的な特徴を融合しました。
• 薬物および細胞株の特徴ベクトルを組み合わせ、シグモイド関数を適用することにより、相乗作用スコアを計算しました。

主要な成果:

• KGLGANSynergyは、ベンチマークデータセット（DrugCombDBで0.9360、Oncology-Screenで0.9472）で高いAUPRスコアを達成しました。
• このモデルは、薬物相乗作用予測において既存のベースライン法を上回りました。
• ケーススタディにより、新規の相乗的な薬物併用を特定するモデルの能力が確認されました。

結論:

• KGLGANSynergyは、薬物相乗作用予測のためのより正確な計算ツールを提供します。
• 生物医学データのためのマルチレベルグラフ表現学習パラダイムを導入しました。
• 創薬および臨床応用の進歩に大きな可能性を示しました。