Residual Graph Isomorphism Networks と Attention 機構による薬剤相乗効果の予測

Abstract

複雑な疾患の治療において、単一薬剤を用いた治療レジメンはしばしば有効性が限定的であり、薬剤耐性につながることがあります。これに対して、併用薬物療法は相乗効果によって治療成績を大幅に改善できます。しかし、考えられるあらゆる薬剤組み合わせを実験的に検証することは費用が非常に高く、効率的な計算予測手法が強く求められます。深層学習やグラフニューラルネットワーク（GNN）に基づく既存のアプローチは大きな進展を遂げていますが、それでもなお、構造バイアスの低減、汎化能力の向上、モデル解釈性の強化といった課題が残っています。本論文では、相乗効果の予測を高めるために、分子の構造的特徴と細胞株のゲノムプロファイルを、薬剤間相互作用と統合した共同型予測グラフニューラルネットワークを提案します。新たなモデルとして、注意機構を統合した残差グラフ同型ネットワーク（Residual Graph Isomorphism Network with an Attention mechanism）である ResGIN-Att を紹介します。本モデルは、まず残差グラフ同型ネットワークにより薬剤分子の多重スケールのトポロジー特徴を抽出します。残差接続は深い層での過剰平滑化を緩和するのに役立ちます。続いて、適応的な長短期記憶（Long Short-Term Memory: LSTM）モジュールが、局所スケールから大域スケールへ構造情報を融合します。最後に、相互注意（cross-attention）モジュールを設計し、薬剤間相互作用を明示的にモデル化し、重要な化学的部分構造を特定します。5つの公開ベンチマークデータセットに対する大規模な実験の結果、ResGIN-Att は主要なベースライン手法と比べて好成績を収めつつ競争力のある性能を達成し、有望な汎化能力と頑健性を示すことが確認されました。