HyGNN: Drug-Drug Interaction Prediction via Hypergraph Neural Network

要約

【タイトル】HyGNN：ハイパーグラフ・ニューラルネットワークによる薬物-薬物相互作用予測

【要約】
– 薬物-薬物相互作用(DDIs)は、薬の機能性を妨げ、最悪の場合、有害な薬の反応を引き起こす可能性があります。
– すべてのDDIを予測することは、難しいかつ重要な問題である。
– 多くの既存の計算モデルは、異なる情報源からの薬物中心的な情報を統合し、機械学習分類器の機能として利用してDDIを予測する。しかし、これらのモデルは、全ての情報が利用できない新しい薬に対して特に失敗する可能性が高い。
– この論文では、SMILES文字列のみから構成される薬物に基づいた新しいHypergraph Neural Network(HyGNN)モデルを提案し、DDI予測問題に対応する。
– 薬物の類似性を捉えるため、SMILES文字列から抽出した薬物の化学構造から超グラフを作成する。次に、薬物を超エッジとして表現するための新しいアテンションベースのハイパーグラフエッジエンコーダと、薬物ペアの相互作用を予測するためのデコーダで構成される、HyGNNを開発する。
– また、広範な実験を行い、提案されたモデルを評価し、いくつかの最先端の手法と比較する。実験の結果、提案されたHyGNNモデルは効果的にDDIを予測し、最大ROCAUCとPRAUCはそれぞれ97.9％と98.1％であり、ベースラインを圧倒的に上回ることが示された。

要約(オリジナル)

Drug-Drug Interactions (DDIs) may hamper the functionalities of drugs, and in the worst scenario, they may lead to adverse drug reactions (ADRs). Predicting all DDIs is a challenging and critical problem. Most existing computational models integrate drug-centric information from different sources and leverage them as features in machine learning classifiers to predict DDIs. However, these models have a high chance of failure, especially for the new drugs when all the information is not available. This paper proposes a novel Hypergraph Neural Network (HyGNN) model based on only the SMILES string of drugs, available for any drug, for the DDI prediction problem. To capture the drug similarities, we create a hypergraph from drugs’ chemical substructures extracted from the SMILES strings. Then, we develop HyGNN consisting of a novel attention-based hypergraph edge encoder to get the representation of drugs as hyperedges and a decoder to predict the interactions between drug pairs. Furthermore, we conduct extensive experiments to evaluate our model and compare it with several state-of-the-art methods. Experimental results demonstrate that our proposed HyGNN model effectively predicts DDIs and impressively outperforms the baselines with a maximum ROC-AUC and PR-AUC of 97.9% and 98.1%, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI