面向药物反应预测的差分结构-通路注意力机制 DiSPA
机器学习
2026-04-14 v2 人工智能
摘要
精准医疗中对药物反应的准确预测需要捕捉特定化学亚结构与细胞通路状态之间相互作用的模型。然而，大多数现有深度学习方法要么将化学和转录组模态独立处理，要么仅在后期阶段将其组合，限制了其对药物作用机制的细粒度、情境依赖性建模能力。此外，常规注意力机制对高维生物网络中的噪声和稀疏性敏感，阻碍了泛化和可解释性。我们提出DiSPA（Differential Substructure-Pathway Attention，差分亚结构-通路注意力），一种建模化学亚结构与通路级基因表达之间双向相互作用的框架。DiSPA引入差分交叉注意力以抑制虚假关联，同时增强情境相关的相互作用。在GDSC基准上，DiSPA实现了最先进的性能，在离散设置中取得显著改进。这些收益在随机分割和药物不可见分割中保持一致，表明具有更好的鲁棒性。注意力模式分析表明，与常规交叉注意力相比，差分注意力更具选择性和集中性。探索性评估显示，差分注意力更好地优先排序预定义的靶向相关通路，但这不构成机制验证。DiSPA还在外部数据集（CTRP）和跨数据集设置中表现出有希望的泛化能力，尽管需要进一步验证。它还支持面向空间转录组的零样 applications，为无需 ground-truth 验证的情况下提供区域特异性药物敏感性模式的探索性见解。
引用
@article{arxiv.2601.14346,
title = {DiSPA: Differential Substructure-Pathway Attention for Drug Response Prediction},
author = {Yewon Han and Sunghyun Kim and Eunyi Jeong and Sungkyung Lee and Seokwoo Yun and Sangsoo Lim},
journal= {arXiv preprint arXiv:2601.14346},
year = {2026}
}