基于多模态注意力卷积编码器的可解释抗癌化合物敏感性预测
机器学习
2019-11-07 v3 人工智能
定量方法
机器学习
摘要
结合神经药物设计与敏感性预测的近期进展，我们提出了一种新颖的基于多模态注意力卷积编码器的可解释抗癌化合物敏感性预测架构。我们的模型基于药物敏感性的三个关键支柱：以 SMILES 序列形式的化合物结构、肿瘤的基因表达谱以及来自蛋白质-蛋白质相互作用网络的细胞内相互作用先验知识。我们证明，我们的多尺度卷积注意力（MCA）编码器显著优于基于 Morgan 指纹训练的基线模型、若干基于 SMILES 的编码器，以及先前报道的多模态药物敏感性预测最优方法（R2 = 0.86 且 RMSE = 0.89）。此外，通过对注意力权重的深入分析展示了我们方法的可解释性。我们表明，受关注的基因显著富集于凋亡过程，且药物注意力与标准化学结构相似性指数强相关。最后，我们报道了两种受体酪氨酸激酶（RTK）抑制剂作用于白血病细胞系的案例研究，展示了模型聚焦于两化合物中信息性基因与亚分子区域的能力。我们所展示的模型的泛化性与可解释性证明了其在对未见癌细胞进行抗癌化合物效能的计算机预测方面的潜力，将其定位为个性化疗法开发以及从头药物设计中候选化合物评估的有效解决方案。
引用
@article{arxiv.1904.11223,
title = {Towards Explainable Anticancer Compound Sensitivity Prediction via Multimodal Attention-based Convolutional Encoders},
author = {Matteo Manica and Ali Oskooei and Jannis Born and Vigneshwari Subramanian and Julio Sáez-Rodríguez and María Rodríguez Martínez},
journal= {arXiv preprint arXiv:1904.11223},
year = {2019}
}
备注
11 pages, 5 figures, 1 table, Workshop on Computational Biology at the International Conference on Machine Learning (ICML), Long Beach, CA, 2019