[Bioinformatics | 论文简读] 用于抗癌药物协同预测的多向关系增强超图表示学习

简读分享 | 乔剑博 编辑 | 王宇哲

论文题目

Multi-way relation-enhanced hypergraph representation learning for anti-cancer drug synergy prediction

论文摘要

动机： 药物组合在治疗癌症方面表现出希望，而且毒性和不良反应更少。然而，由于组合爆炸，协同药物组合的体外筛选既费时又费力。尽管已经开发了许多用于预测协同药物组合的计算方法，但药物协同数据中存在的药物组合与细胞系之间的多向关系尚未得到很好的利用。 结果： 作者提出了一种多向关系增强的超图表示学习方法来预测抗癌药物的协同作用，命名为 HypergraphSynergy。HypergraphSynergy 将癌细胞系上的协同药物组合制定为超图，其中药物和细胞系由节点表示，协同药物-药物-细胞系三联体由超边表示，并利用药物和细胞系的生化特征作为节点属性. 然后，设计一个超图神经网络，从超图中学习药物和细胞系的嵌入，并预测药物协同作用。此外，还考虑了重建药物和细胞系相似性网络的辅助任务，以增强模型的泛化能力。在计算实验中，HypergraphSynergy 在分类和回归任务的两个基准数据集上优于其他最先进的协同预测方法，适用于未见的药物组合或细胞系。研究表明，超图公式使作者能够捕捉和解释药物组合和细胞系的复杂多向关系，并提供灵活的框架以充分利用各种信息。

论文链接

https://academic.oup.com/bioinformatics/article/38/20/4782/6674505