计算与 AI 药物发现 Journal of Cheminformatics
一种深度学习模型将药物结构、细胞系基因信号与生物学过程相连,预测抗癌药物协同组合并提供可解释的归因分析
- SGP-Syn 用语言模型与图表示共同编码每个药物,并通过词元到原子的注意力融合,再将药物对与细胞系表达数据结合,推断基因层面的信号。
- 这些信号经过基于本体结构的神经网络,生成分层的生物学过程表示,从而形成由结构到基因再到过程的解释链条。
- 在公开药物组合筛选数据上的回顾性评估显示,该方法优于主流方法,尤其对未见过的药物和药物对;对未见细胞系仅表现相当。归因分析提出了可检验的假说,但尚未经过实验验证。
要点 基于摘要的观点
协同预测模型在随机划分下往往表现最好,因为相同的药物和细胞系会同时出现在训练和测试中,所以对未见药物、未见药物对的提升才值得相信。但在真实项目里,最需要预测的恰恰是新的细胞模型,而这一项只是与现有方法相当,分量更重。在采信归因解释之前,我会先做随机化本体和打乱表达数据的对照,看基因与过程层面的解释是否还能保留,再挑几个排名靠前的组合做小规模剂量矩阵实验。
原论文: Journal of Cheminformatics ↗ Biologically informed Structure–Gene–Process integration for anticancer drug combination synergy prediction