面向多关系归纳式药物-基因相互作用预测的通信子图表示学习
机器学习
2022-05-13 v1
摘要
阐明药物与基因间的相互关联是药物开发与精准医疗中的重要课题。当前药物-基因相互作用的计算预测主要聚焦于结合相互作用，而未考虑如激动剂、拮抗剂等其他关系类型。此外，现有方法要么严重依赖高质量领域特征，要么是内在转导式的，这限制了模型泛化至缺乏外部信息或训练过程中未出现之药物/基因的能力。为应对这些问题，我们提出一种新颖的面向多关系归纳式药物-基因相互作用预测的通信子图表示学习（CoSMIG），其通过子图模式进行药物-基因关系预测，因而对未见药物/基因天然具归纳性，无需重训练或利用外部领域特征。此外，该模型通过通信消息传递机制强化了药物-基因图上的关系。为评估我们的方法，我们从 DrugBank 与 DGIdb 编译了两个新基准数据集。在这两个数据集上的综合实验表明，我们的方法在转导式场景下优于 SOTA 基线，并在归纳式场景下取得优越性能。进一步的实验分析（包括 LINCS 实验验证与文献核查）也证明了我们模型的价值。
引用
@article{arxiv.2205.05957,
title = {Communicative Subgraph Representation Learning for Multi-Relational Inductive Drug-Gene Interaction Prediction},
author = {Jiahua Rao and Shuangjia Zheng and Sijie Mai and Yuedong Yang},
journal= {arXiv preprint arXiv:2205.05957},
year = {2022}
}