DRExplainer：基于有向图卷积网络实现药物反应预测中的可量化解释
机器学习
2025-03-31 v2 人工智能
摘要
预测癌症细胞系对疗法药物的反应是个人化医学的关键。尽管已developed众多深度学习方法用于药物反应预测，但整合生物实体信息并预测方向性反应仍是主要挑战。本文提出一种新型可解释预测模型 DRExplainer，利用有向图卷积网络在有向二分网络框架中增强预测。DRExplainer 构建包含细胞系多组学信息、药物化学结构及已知药物反应数据的有向二分网络，实现方向性预测。随后，DRExplainer 通过学习掩码在该有向二分网络中识别每个预测最相关的子图，促进关键医疗决策。此外，我们引入一种基于从生物特征挑选的基准数据集评估模型可解释性的方法。在计算实验中，DRExplainer 在相同实验设置下超越了最先进的预测方法及另一图基解释方法。案例研究进一步验证了 DRExplainer 在预测新药物反应方面的可解释性与有效性。我们的代码已公开：https://github.com/vshy-dream/DRExplainer。
引用
@article{arxiv.2408.12139,
title = {DRExplainer: Quantifiable Interpretability in Drug Response Prediction with Directed Graph Convolutional Network},
author = {Haoyuan Shi and Tao Xu and Xiaodi Li and Qian Gao and Zhiwei Xiong and Junfeng Xia and Zhenyu Yue},
journal= {arXiv preprint arXiv:2408.12139},
year = {2025}
}