基于全局图神经网络的肺癌细胞系药物反应预测模型MLG2Net

编辑推荐：来自前沿团队的研究为解决药物反应预测(DRP)中数据质量差、高维及多组学整合难题，开发了基于图神经网络的MLG2Net模型。该模型通过药物SMILES的局部/全局图网络与细胞系基因组图谱结合，在肺腺癌(LUAD)数据集实现Pearson系数(CCp)0.8616、RMSE 2.94e-6的优异性能，为精准医疗提供新工具。

　　在精准医疗时代，药物反应预测(DRP)成为关键挑战。深度学习(DL)虽推动进展，但数据质量、高维特征及多组学整合仍制约模型效能。研究者提出MLG2Net——一种受图神经网络(GNN)启发的创新模型，专为肺癌细胞系药物反应预测设计。该模型巧妙融合双通道架构：将药物SMILES(简化分子线性输入规范)编码为局部与全局图网络，同时将细胞系基因组数据映射为特征图谱。实验表明，MLG2Net在肺腺癌(LUAD)数据集表现亮眼，Pearson相关系数(CC_p)达0.8616，均方根误差(RMSE)低至2.94×10^-6。而在规模较小的肺鳞癌(LUSC)数据中性能略有下降(CC_p:0.7999，RMSE:4.08×10^-6)，揭示数据量对模型容量的影响。通过模块化分析发现，全局图网络对预测贡献尤为突出。这项研究为癌症药物敏感性预测提供了新范式，未来通过扩展数据集有望进一步提升临床应用价值。