A graph neural network-based model with Out-of-Distribution Robustness for enhancing Antiretroviral Therapy Outcome Prediction for HIV-1

要約

HIV-1の抗レトロウイルス療法（ART）の結果を予測することは、特に有効性データが限られている薬物が含まれている場合、臨床的な臨床的課題です。
このデータの希少性は、新薬が市場に導入されたため、または臨床環境での使用が限られているために発生する可能性があり、その結果、非常に不均衡な療法表現を伴う臨床データセットが生じます。
この問題に取り組むために、完全に接続された（FC）ニューラルネットワークとグラフニューラルネットワーク（GNN）の機能をマルチモダリティで組み合わせた新しいジョイント融合モデルを紹介します。
私たちのモデルは、遺伝的配列に関する表形式データと、ウイルス遺伝的配列に基づいて生体内治療効果を推測するためのベンチマーク参照として機能するスタンフォードの薬物耐性変異テーブルに由来する知識ベースの両方を使用しています。
グラフとして構成されたこのナレッジベースを活用することにより、GNNコンポーネントにより、当社のモデルは不均衡なデータ分布に適応し、分散分布（OOD）薬を説明できます。
これらのモデルの堅牢性をテストセットで評価しました。
当社の包括的な分析は、提案されたモデルが一貫してFCモデルを上回ることを示しています。
これらの結果は、スタンフォードスコアをモデルに統合し、それにより一般化可能性と堅牢性を高めるだけでなく、データの可用性が限られているより情報に基づいた臨床決定に貢献するという有用性を拡大するという利点を強調しています。
ソースコードは、https：//github.com/federicosiciliano/graph-ood-hivで入手できます

要約(オリジナル)

Predicting the outcome of antiretroviral therapies (ART) for HIV-1 is a pressing clinical challenge, especially when the ART includes drugs with limited effectiveness data. This scarcity of data can arise either due to the introduction of a new drug to the market or due to limited use in clinical settings, resulting in clinical dataset with highly unbalanced therapy representation. To tackle this issue, we introduce a novel joint fusion model, which combines features from a Fully Connected (FC) Neural Network and a Graph Neural Network (GNN) in a multi-modality fashion. Our model uses both tabular data about genetic sequences and a knowledge base derived from Stanford drug-resistance mutation tables, which serve as benchmark references for deducing in-vivo treatment efficacy based on the viral genetic sequence. By leveraging this knowledge base structured as a graph, the GNN component enables our model to adapt to imbalanced data distributions and account for Out-of-Distribution (OoD) drugs. We evaluated these models’ robustness against OoD drugs in the test set. Our comprehensive analysis demonstrates that the proposed model consistently outperforms the FC model. These results underscore the advantage of integrating Stanford scores in the model, thereby enhancing its generalizability and robustness, but also extending its utility in contributing in more informed clinical decisions with limited data availability. The source code is available at https://github.com/federicosiciliano/graph-ood-hiv

arxiv情報

提供元, 利用サービス

arxiv.jp, Google