Central-Smoothing Hypergraph Neural Networks for Predicting Drug-Drug Interactions

要約

タイトル:Central-Smoothing Hypergraph Neural Networks for Predicting Drug-Drug Interactions(薬物相互作用を予測するための中央スムージングハイパーグラフニューラルネットワーク)

要約:

– 薬物相互作用(DDI)の予測は、多数の共通作用を持つ薬物情報と既知の副作用を使用し、一対の薬物の副作用を予測する問題である。
– この問題は、ノードが薬物であり、ラベルが既知の相互作用する薬物のエッジであるDDIグラフ内の各ノードのラベル(つまり、副作用)を予測する問題として定式化できる。
– DDIに関しては、副作用の特性から、多数の複雑なラベル関係があるため、グラフニューラルネットワーク(GNN)が最先端の手法である。GNNは、グラフ内のノード表現を学習するために、グラフ内の近傍情報を活用する。
– しかし、通常のGNNはラベルを一つのホットベクトルとして固定するため、ラベル関係を反映せず、頻度の低いラベルを持つ難しい場合には最高の性能を発揮できないことがある。
– そこで、本論文では、DDIをハイパーグラフとして定式化し、各ハイパーエッジを薬物の2つのノードとラベルの一つのノードに設定する。そして、中央スムージングハイパーグラフニューラルネットワークであるCentSmoothieを提案し、ノードとラベルの表現を同時に学習する。
– 著者らは、CentSmoothieのシミュレーションと実データセットでの性能上の利点を実証した。

要約(オリジナル)

Predicting drug-drug interactions (DDI) is the problem of predicting side effects (unwanted outcomes) of a pair of drugs using drug information and known side effects of many pairs. This problem can be formulated as predicting labels (i.e. side effects) for each pair of nodes in a DDI graph, of which nodes are drugs and edges are interacting drugs with known labels. State-of-the-art methods for this problem are graph neural networks (GNNs), which leverage neighborhood information in the graph to learn node representations. For DDI, however, there are many labels with complicated relationships due to the nature of side effects. Usual GNNs often fix labels as one-hot vectors that do not reflect label relationships and potentially do not obtain the highest performance in the difficult cases of infrequent labels. In this paper, we formulate DDI as a hypergraph where each hyperedge is a triple: two nodes for drugs and one node for a label. We then present CentSmoothie, a hypergraph neural network that learns representations of nodes and labels altogether with a novel central-smoothing formulation. We empirically demonstrate the performance advantages of CentSmoothie in simulations as well as real datasets.

arxiv情報

著者 Duc Anh Nguyen,Canh Hao Nguyen,Hiroshi Mamitsuka
発行日 2023-04-04 07:49:03+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, OpenAI

カテゴリー: cs.LG, q-bio.BM, stat.AP パーマリンク