SynCell：上下文相关药物协同作用预测

药物协同作用深受细胞背景的影响，因为蛋白质相互作用景观和通路活性在不同细胞类型之间的差异会重塑药物联合作用的方式。大多数现有模型忽略了这种异质性，依赖静态或bulk 级别的蛋白质-蛋白质相互作用（PPI）网络，忽略细胞特异的分子连接。大规模转录组数据的可用性 now enables 重建细胞系分辨率的相互作用网，从为基于细胞背景的药物协同建模提供了新基础。本文提出了 SynCell，一个集成药物-蛋白质、蛋白质-蛋白质和蛋白质-细胞系关系的上下文相关药物协同框架。SynCell 利用细胞系特异的 PPI 网络将分子背景嵌入药物作用的环境中，并采用图卷积学习来建模药理效应如何通过细胞特异的信号网络传递。这种表述将协同作用预测视为细胞系背景下药物-药物相互作用的问题。在大规模 DrugCombDB 基准数据集上，SynCell 持续超过 DeepSynergy、HypergraphSynergy、HERMES、BAITSAO、DTF 和 NHP 等最先进方法，特别是在预测涉及未见药物或新颖细胞系的协同作用时表现更佳。与这七种方法相比，SynCell 在泛化性和生物学可解释性方面均实现了显著的提升，确认了将细胞系分辨率的 PPI 上下文化对于准确预测协同作用至关重要。