薬物相乗効果予測および解釈のためのパスベースグラフニューラルネットワーク

科学分野:

• 計算生物学
• 薬理学
• 医療における人工知能

背景:

• 併用療法は、複雑な疾患に対して有効性を向上させ、毒性を軽減します。
• 薬物併用数の増加は、薬物スクリーニングおよび相乗効果予測における課題をもたらします。
• 既存の予測方法は、作用機序に関する解釈可能性を欠いていることがよくあります。

研究 の 目的:

• 相乗的な薬物併用を予測するための解釈可能なモデルを開発すること。
• モデルの解釈を通じて薬物相乗効果の根底にあるメカニズムを解明すること。
• 現在の薬物相乗効果予測方法の限界に対処すること。

主な方法:

• パスベースの解釈可能なグラフニューラルネットワークであるSDCInterpreterを提案しました。
• 薬物、遺伝子、経路、細胞株エンティティを統合した異種グラフを構築しました。
• 予測および解釈のために、関係グラフ畳み込みネットワーク、マスク学習、ダイクストラアルゴリズムを採用しました。

主要な成果:

• SDCInterpreterは、薬物相乗効果の予測において強力なパフォーマンスを示しました。
• モデルは、相乗的な薬物併用のメカニズムに関する解釈可能な洞察を生成することに成功しました。
• 実験結果は、モデルの予測および解釈能力を検証しました。

結論:

• SDCInterpreterは、薬物相乗効果の予測と解釈のための効果的なアプローチを提供します。
• このモデルは、細胞株における薬物併用メカニズムの理解を深めます。
• この解釈可能なAI手法は、臨床薬物発見および開発に役立ちます。