具有结构基元的等变图注意力网络用于预测细胞系特异性协同药物组合
定量方法
2024-11-08 v1 人工智能
机器学习
摘要
癌症是第二大死因，化疗是其主要治疗手段之一。因此，研究人员正转向药物联合疗法以降低耐药性并提高疗效。传统的药物联合筛选方法（如体内和体外实验）因耗时且成本高昂而效率低下。计算机模拟方法在药物筛选中日益重要，但现有方法准确性不足，且对未见抗癌药物的泛化能力差。在本文中，我采用了一种几何深度学习模型，利用对三维旋转、平移和反射具有等变性的图注意力网络，并结合结构基元。此外，利用癌症细胞系的基因表达数据来分类每个细胞系特异性的协同药物组合。我将所提出的几何深度学习框架与当前最先进（SOTA）方法进行了比较，所提出的模型架构在所有 12 项 DrugComb 数据集基准任务上均取得了更优性能。具体而言，所提框架比其他 SOTA 方法的准确率高出超过 28%。基于这些结果，我认为等变图注意力网络学习几何数据的能力是性能大幅提升的原因。该模型能够泛化到外来药物，这被认为是因为结构基元提供了更好的分子表示。总体而言，我认为所提出的等变几何深度学习框架可作为在湿实验环境中进一步验证抗癌药物联合组合的有效虚拟筛选工具。本工作代码已在线发布：https://github.com/WeToTheMoon/EGAT_DrugSynergy。
引用
@article{arxiv.2411.04747,
title = {Equivariant Graph Attention Networks with Structural Motifs for Predicting Cell Line-Specific Synergistic Drug Combinations},
author = {Zachary Schwehr},
journal= {arXiv preprint arXiv:2411.04747},
year = {2024}
}
备注
8 pages, 1 figure, Presented at IEEE CIBCB