GraphCDR: eine Methode mit Graph-Neuronalen Netzen und kontrastivem Lernen zur Vorhersage der Reaktion auf Krebsmedikamente

Die Vorhersage der Reaktion einer Krebszelllinie auf ein therapeutisches Medikament ist ein wichtiges Thema in der modernen Onkologie, das zur personalisierten Behandlung von Krebserkrankungen beitragen kann. Obwohl zahlreiche Methoden des maschinellen Lernens zur Vorhersage der Reaktion auf Krebsmedikamente (CDR) entwickelt wurden, bleibt die Integration unterschiedlicher Informationen über Krebszelllinien, Medikamente und deren bekannte Reaktionen eine große Herausforderung. In diesem Papier schlagen wir eine Methode mit Graph-Neuronalen Netzen und kontrastivem Lernen zur Vorhersage von CDR vor. GraphCDR konstruiert ein Graph-Neuronales Netzwerk basierend auf Multi-Omics-Profilen von Krebszelllinien, der chemischen Struktur von Medikamenten und den bekannten Reaktionen von Krebszelllinien auf Medikamente zur Vorhersage von CDR, während eine kontrastive Lernaufgabe als Regularisierer innerhalb eines Multi-Task-Lernparadigmas präsentiert wird, um die Generalisierungsfähigkeit zu verbessern. In den rechnerischen Experimenten übertrifft GraphCDR moderne Methoden unter verschiedenen experimentellen Konfigurationen, und die Abblidungsstudie zeigt die Schlüsselfaktoren von GraphCDR: biologische Merkmale, bekannte Reaktionen von Krebszelllinien auf Medikamente und kontrastives Lernen sind wichtig für die hochgenaue CDR-Vorhersage. Die experimentellen Analysen deuten auf die Vorhersagekraft von GraphCDR und dessen potenziellen Wert bei der Auswahl von Krebsmedikamenten hin.