GATher：基于图注意力的基因-疾病关联预测
定量方法
2024-09-26 v1 机器学习
摘要
靶点选择在药物发现中至关重要，直接影响临床试验的成功率。尽管其很重要，但药物开发仍然资源密集，通常需要超过十年的时间并伴随巨大的财务成本。高失败率凸显了在早期阶段改进靶点选择的必要性。我们提出了 GATher，这是一种图注意力网络，旨在通过将来自不同生物医学来源的数据整合到一个包含超过 440 万条边的图中来预测治疗性基因-疾病关联。GATher 结合了 GATv3（一种新颖的图注意力卷积层）和 GATv3HeteroConv（聚合每种边类型的变换），从而增强了其管理这一庞大数据集内复杂交互的能力。利用硬负采样和多任务预训练，GATher 解决了拓扑不平衡问题并提高了特异性。在截至 2018 年的数据上进行训练，并评估至 2024 年，我们的结果表明 GATher 预测临床试验结果的 ROC AUC 为 0.69（针对未满足的疗效失败）和 0.79（针对阳性疗效）。使用 Captum 的特征归因方法突出了关键节点和关系，增强了模型的可解释性。到 2024 年，GATher 将优先考虑前 200 个临床试验靶点的精度提高到了 14.1%，与其他方法相比绝对提高了 3.5% 以上。GATher 在预测临床试验结果方面优于 GAT、GATv2 和 HGT 等现有模型，展示了其在增强靶点验证和预测临床疗效与安全性方面的潜力。
引用
@article{arxiv.2409.16327,
title = {GATher: Graph Attention Based Predictions of Gene-Disease Links},
author = {David Narganes-Carlon and Anniek Myatt and Mani Mudaliar and Daniel J. Crowther},
journal= {arXiv preprint arXiv:2409.16327},
year = {2024}
}