GraphPINE：用于可解释药物反应预测的图结构重要性传播
机器学习
2026-05-20 v2 人工智能
计算工程、金融与科学
基因组学
定量方法
摘要
可解释性对于生物医学研究中的许多任务至关重要。最近的可解释性方法聚焦于注意力、梯度和Shapley 值，这些方法不处理数据中强关联的先验知识，且无法基于已知的预测特征之间的关系约束可解释性结果。我们提出了 GraphPINE，一种图神经网络（GNN）架构，利用领域特定的先验知识初始化节点重要性，并在训练期优化其重要性以进行药物反应预测。通常，需在预测后手动检查文献（即先验知识）以了解所返回的预测特征。虽然可获取梯度和注意力方法的节点重要性，但这些方法缺乏补充的先验知识；GraphPINE 旨在克服这一限制。GraphPINE 不同于其他 GNN 门控方法，采用类 LSTM 序列格式。我们引入了重要性传播层，统一了 1）特征矩阵和节点重要性的更新，以及 2）基于 GNN 的图结构特征值传播。这种初始化和更新机制允许进行有信息的特征学习和改进的图表征。我们将 GraphPINE 应用于癌症药物反应预测，使用为超过 5000 个基因节点收集的药物筛选和基因数据构建了包含基因-基因图和药物靶点相互作用（DTI）图的初始重要性。基因-基因图和 DTI 数据来源于精选来源，并按讨论药物与基因关系的文章数量进行加权。GraphPINE 在 952 种药物上实现了 0.894 的 PR-AUC 和 0.796 的 ROC-AUC。代码已公开：https://anonymous.4open.science/r/GraphPINE-40DE。
引用
@article{arxiv.2504.05454,
title = {GraphPINE: Graph Importance Propagation for Interpretable Drug Response Prediction},
author = {Yoshitaka Inoue and Tianfan Fu and Augustin Luna},
journal= {arXiv preprint arXiv:2504.05454},
year = {2026}
}