AI医药论文解读--Deep graph embedding for prioritizing synergistic anticancer drug combinations（深度图嵌入法）

深度图嵌入法在协同抗癌药物组合中的应用

论文题目	Deep graph embedding for prioritizing synergistic anticancer drug combinations
论文出自	Computational and Structural Biotechnology Journal ，2020

一、模型介绍？

图卷积编码器+矩阵双线性解码器

整合药物组合、药物-蛋白质相互作用和蛋白质-蛋白质相互作用网络构建的。

（a） 数据收集。收集了三个子网络的药物-药物协同作用（DDS）数据、药物-靶点相互作用（DTI）数据和蛋白质-蛋白质相互作用（PPI）数据。

（b） 网络建设。对于给定的细胞系，首先将药物对的协同分数二值化，来构建DDS子网络，该子网络与DTI和PPI网络一起进一步构建细胞系异构网络。

（c） 模型推理。将异构网络输入GCN编码器。然后将每个编码节点映射到嵌入空间，以表示新空间中的药物协同预测。

（d） 模型评估。准确度、AUC和Pearson相关系数指标。

（e） 嵌入空间的探索。t-SNE法用于寻找药物组合的分布。

二、详细过程？

• 数据集：

药物-药物协同（DDS）网络、药物-靶点相互作用（DTI）网络和蛋白质-蛋白质相互作用（PPI）网络。

• 数据处理：（对于给定细胞系中的链接来构建细胞系特定网络）

  1、以协同评分为30为分界点对DDS样品进行二值化，并按不同细胞系分组。

  2、对于每个细胞系，我们将DDS数据映射到DTI数据，以找到蛋白质靶点。

  3、然后，将DTI数据映射到PPI数据，将蛋白质-蛋白质子网络添加到异构网络中。

  4、在上述操作之后，最终得到特定于细胞系的异构网络。

  结果：建立了39个细胞系特异性异质网络。

来源于细胞系CAOV3的细胞系特异性异质网络。蓝绿色代表药物之间相互作用，构成DDS网络。橙色代表组成PPI网络的蛋白质间相互作用。橄榄色代表药物和蛋白质之间的相互作用，构成DTI网络。对于细胞系CAOV3，细胞系特定的DDS网络首先连接到DTI网络，然后连接到PPI网络。

我们可以选择网络的任何区域进行放大，并更详细地查看该区域。例如，（a）显示所选区域中蛋白质的条目号、名称和链接。

• GCN编码器和矩阵解码器的工作流程

  

  GCN模型的输入是一个图，输出是每个节点的嵌入向量。GCN编码器中有4个隐藏层。在两个隐藏层之间，都有一个ReLu激活功能。ReLu的输出是下一个隐藏层的输入。对于最后一个隐藏层，我们采用了sigmoid激活函数。矩阵解码器解码嵌入向量，以预测任何给定药物组合的协同作用得分。

  • 图卷积编码器：

    研究目的是利用异构网络中的所有链接信息预测药物协同链接。将信息从一个空间映射到另一个空间（即嵌入空间）。

    某节点具有数值节点特征向量X1、x2、x3、，xN 2Rd，其中d为特征向量的维数。
    
    最后一个隐藏层的激活函数是sigmoid函数
    

  • 矩阵双线性解码器：
    解码：利用嵌入空间中的嵌入信息重构边缘，在新空间中表示药物协同作用。
    利用嵌入向量Zu和Zv，药物u和药物v之间的协同得分通过以下双线性形式的矩阵计算：
    

三、模型比较？

将GCN模型与其他最先进的机器学习和深度学习方法进行了比较，包括支持向量机（SVM）、随机森林、弹性网络和深度神经网络（DNN）。

GCN在AUPRC和Kappa方面表现出比DeepSynergy更好的性能;

DeepSynergy显示出比GCN更高的准确性。

这两种模型在AUC方面没有太大差异。