利用图神经网络进行药物再利用的计算方法(下)

1. 文章信息

作者

Siddhant Doshi, & Sundeep Prabhakar Chepuri (2022).

单位

期刊或会议

题目

A computational approach to drug repurposing using graph neural networks

2. BGC

背景

药物再利用是一种确定已批准药物新的医学适应症的方法。

目的

本研究提出了一种图神经网络药物再利用模型，我们称之为GDRnet，以有效地筛选大型批准药物数据库，并预测新疾病的可能治疗方法。我们将药物再利用作为一个多层异构网络中的链接预测问题，该网络约有140万条边，捕获了代表药物、疾病、基因和人体结构的近42,000个节点之间的复杂相互作用。

结论

与其他最先进的基线方法相比，我们证明了所提出的模型在真实数据集上的有效性。对于大多数疾病，GDRnet 将实际治疗药物排在前 15 位。此外，我们将 GDRnet 应用于冠状病毒病 (COVID-19) 数据集，并表明正在研究预测列表中的许多药物对疾病。

3. 创新点

方法

就是利用SIGN的预处理策略，将其作为编码器这样可以让模型在大型图上运行。然后再里利用一个打分函数为主体的解码器。

理论

具体理论可以看利用图神经网络进行药物再利用的计算方法(上)

应用

我们提出了一个用于药物再利用模型的GNN模型，称为GDRnet，从一个巨大的批准药物数据库中预测药物，以供进一步研究。

4. 文章好在哪里

创新点

1.在大型图上运行，并提供生物方面的解释

2.与传统的模型（GAT、GCN、SAGE）相比，减少了大量的计算（预处理）

图片

图片在上面给出了，感觉下面这个图2画的真心不错。以后我们也可以这样来配色和搭配

逻辑

文章的逻辑还是不错的，整体来说还是一环套一环，而且基本上都能有理论对其论点进行支撑。文章结构也是不错的，这点值得我学习。

5. 核心步骤

思路

1. 我们将药物再利用问题表述为一个链接预测问题，并提出了一个新的基于GNN的药物再利用专用模型。GDRnet 的可训练编码器预先计算了邻域特征，因此在减少训练和推理时间的情况下计算效率高。可训练解码器基于从编码器获得的低维嵌入对药物-疾病对进行评分。编码器和解码器以端到端方式进行训练。
2. 我们根据其链接预测准确性以及它对已知治疗药物的排名情况来验证 GDRnet。GDRnet 将批准的治疗药物排在前 15 位。这表明了所提出的药物再利用模型的有效性。
3. 我们进行了一项消融研究，以显示基因和解剖实体的重要性，这模拟了药物和疾病实体之间的间接相互作用。
4. 我们针对GDRnet与现有的GNN模型的计算运行时间做了一份分析报告。我们通过在训练和推理时间方面实现的性能增益，演示了在GDRnet中使用SIGN作为编码器的优势。
5. 我们通过将将 GDRnet 应用于来自 [19] 的 COVID-19 相互作用组信息数据集。发现 GDRnet 预测的许多用于 COVID-19 的药物正在研究其对抗疾病的功效。

感觉主要的有点在于：1.生物和数学上给出了解释；2.在大型图上减少了计算量并且保证模型的预测能还处在一个不错的程度。3.紧跟热点，新冠。

图表

感觉这个表的形式不错，以后我写论文的时候也加上去。给人一种一目了然的感觉。