HMM-GDAN: Hybrid multi-view and multi-scale graph duplex-attention networks for drug response predic

精准医学致力于发现针对复杂和疑难疾病的个性化治疗方法
像癌症。许多机器学习方法已被开发用于药物反应预测，以实现精准医疗。尽管如此，基于多视图图学习方案的遗传图谱在以往的研究中尚未对药物反应预测进行探讨。此外,多尺度在现有的图神经网络框架中，潜在特征融合没有得到充分的考虑进行。以往的药物反应预测工作主要依赖于序列数据或单视图图数据。本文提出利用多组学数据构造多视图图STRING蛋白-蛋白关联数据，并开发用于药物反应的gnn新架构癌症预测。具体来说，我们提出了混合多视图和多尺度图双关注网络(HMM-GDAN)，其中既有多视图自注意机制，也有视图级注意机制设计了捕获视图互补信息的机制，并强调视图的互补性每个视图的重要性协同，丰富的多尺度特征的构建和集成进一步形成高级表示，以便更好地预测。在GDSC2数据集上的实验验证拟议的HMM-GDAN与最先进的基线相比的优越性。消融实验研究证明了多视角、多尺度策略的有效性。

这是第一次考虑多视图图学习药物反应预测研究中的方案。来为多角度学习做好准备，使我们发展有效多视图图的构造方法多组学数据和蛋白质关联数据。

针对多视图设计了双注意机制图学习，它利用视图之间的互补信息并捕获每个视图的重要性查看协作。这种机制很容易插入多视图学习方法并制作特色表示在每个视图中提供更多信息。

实现端到端的多视图图学习方案中，我们提出了多视角和多尺度混合方案药物图双注意网络(HMM-GDAN)响应预测，它利用了有用的多视图
通过多尺度信息学习更好的表征融合。

基于张量的表示：

双重注意力：

端到端的图神经网络架构：

四个视图的可视化