CongFu:用于药物协同预测的条件图融合
机器学习
2023-11-08 v2 人工智能
定量方法
摘要
药物协同表现为多种药物联合效应的放大,对优化治疗效果至关重要。源于海量可能药物组合与测试成本的药物协同数据有限,催生了对预测方法的需求。本工作中,我们引入CongFu,一种新颖的条件图融合层,旨在预测药物协同。CongFu采用注意力机制与瓶颈层提取局部图上下文,并在全局上下文中条件融合图数据。其模块化架构可灵活替换层模块(包括读出与图编码器),便于针对多样应用定制。为评估CongFu性能,我们在四个数据集上开展综合实验,涵盖三种不同的药物协同预测设定。CongFu在12个基准数据集中的11个上取得最优结果,展现其捕捉药物协同复杂模式的能力。通过消融研究,我们验证了各层组件的重要性,确认其对整体预测性能的贡献。最后,我们提出一种可解释性策略以阐明药物对基因的作用。通过应对未测试药物对预测药物协同的挑战并利用我们所提可解释性方法,CongFu为优化药物组合与推进个性化医疗开辟了新途径。
引用
@article{arxiv.2305.14517,
title = {CongFu: Conditional Graph Fusion for Drug Synergy Prediction},
author = {Oleksii Tsepa and Bohdan Naida and Anna Goldenberg and Bo Wang},
journal= {arXiv preprint arXiv:2305.14517},
year = {2023}
}