drGT: Attention-Guided Gene Assessment of Drug Response
Utilizing a Drug-Cell-Gene Heterogeneous Network
https://arxiv.org/abs/2405.08979
2022, arxiv
graph 기반 해석모델중에서 제일 좋아보여서 보게됨.
약물 반응 예측의 주요 과제 중 하나는 확립된 기존 지식과 비교하여 결과를 해석하는 것이다. drGT는 어텐션 계수(Attention Coefficients, ACs)를 사용하여 약물 민감도를 예측하고 바이오마커 식별을 지원하는 그래프 딥러닝 모델입니다. drGT는 약물, 유전자 및 세포주 반응 간의 관계로 구성된 이질적 그래프(heterogeneous graph)를 활용합니다.
이 모델은 다양한 약물과 암 세포주를 포괄하는 주요 벤치마크 데이터셋인 Sanger GDSC, NCI60, Broad CTRP를 사용해 학습 및 평가했다. drGT는 무작위 분할(random splitting) 시 최대 94.5%, 미학습 약물에 대해 84.4%, 미학습 세포주에 대해 70.6%의 AUROC를 기록하며 기존 벤치마크 방법들과 대등한 성능을 보이는 동시에 해석 가능성(interpretability)을 제공한다.
해석력과 관련하여, 본 연구에서는 특정 약물을 언급하는 PubMed 초록들을 텍스트 마이닝하여 높은 계수를 기록한 유전자와의 '약물-유전자 공생기(co-occurrence)'를 검토했습니다. 이미 약물-표적 상호작용(DTI)이 알려진 NCI60의 976개 약물을 분석한 결과, 모델의 예측은 기존에 알려진 DTI(36.9%)뿐만 아니라 문헌적 근거가 있는 추가적인 예측 관계들도 활용하고 있음을 확인했습니다.
또한, drGT가 식별한 약물-유전자 연관성을 기존 DTI 예측 모델과 비교한 결과, 63.67%가 PubMed 문헌이나 DTI 모델의 예측에 의해 지지되는 것으로 나타났습니다. 나아가, 본 연구는 농축 분석(enrichment analysis)을 통해 각 약물에 의해 영향을 받는 생물학적 과정을 식별하는 데 AC를 활용하는 방법을 설명함으로써 생물학적 해석력을 높였습니다.
Code is available at https://github.com/sciluna/drGT.
*aids in ~. ~을 돕는
*S+describe ~,Ving 명사구: 해석은 ~를 설명하며, 이를 통해 ~를 향상시켰다.
