基于多层次特征的层次图表示学习方法在抗癌药物反应预测中的应用

《IEEE Transactions on Big Data》：Hierarchical Graph Representation Learning With Multi-Granularity Features for Anti-Cancer Drug Response Prediction

抗肿瘤药物响应预测中，传统方法忽视细胞线与药物的多层级交互机制。本研究提出HLMG算法，整合细胞全基因组表达与通路亚结构、药物全分子指纹与亚结构特征，构建包含细胞线-药物-相似实体异构图。通过图卷积网络聚合多尺度邻域信息，结合线性解码器重构响应矩阵，在GDSC和CCLE数据库验证中显著优于现有方法。

　　

摘要：

由于独特的基因组特征，患有相同类型癌症的患者对相同药物治疗的反应往往不同。准确预测患者对药物的反应对于指导治疗决策、减轻患者痛苦以及改善癌症预后至关重要。当前的计算方法利用在大量药物筛选数据上训练的深度学习模型，根据细胞系和药物的特征来预测抗癌药物的反应。然而，细胞系与药物之间的相互作用是一个复杂的生物学过程，涉及从细胞和药物的内部结构到不同分子之间的外部相互作用等多个层面的交互。为了解决这一复杂性，我们提出了一种新的分层图表示学习算法（HLMG），该算法结合了两种粒度的特征：细胞系的整体基因表达和通路亚结构，以及药物的整体分子特征和亚结构。随后，它构建了一个异构图，包括细胞系、药物、已知的细胞系-药物反应，以及相似细胞系和相似药物之间的关联。通过图卷积网络模型，HLMG通过聚合异构图中多级邻居的特征来学习最终的细胞系和药物表示。这些多级邻居包括节点本身、直接相关的药物/细胞系，以及间接相关的相似药物/细胞系。最后，使用线性相关系数解码器重建细胞系-药物相关矩阵以预测抗癌药物的反应。我们的模型在“癌症药物敏感性基因组学”（GDSC）和“癌细胞系百科全书”（CCLE）数据库上进行了测试。结果表明，HLMG在准确预测抗癌药物反应方面优于其他最先进的方法。

引言

癌症仍然是全球主要的死亡原因之一，对人类健康构成严重威胁。肿瘤的异质性意味着患有相同类型癌症的患者可能对相同的治疗有不同的反应[1]。因此，准确预测癌症患者对抗癌药物治疗的反应对于制定个性化治疗策略至关重要，这有可能提高患者的生存率并降低治疗费用[2]。最近在临床前抗癌药物筛选方面的努力，例如“癌细胞系百科全书”（CCLE）[3]和“癌症药物敏感性基因组学”（GDSC）[4]，提供了数千种癌细胞系对各种药物反应的实验数据。这些公共数据集的可用性使研究人员能够开发出有效的计算方法来预测抗癌药物的反应。