基于异质图注意力双扰动对比学习的癌症药物响应预测研究

《BMC Bioinformatics》：HGACL-DRP: Heterogeneous graph attention dual-perturbation contrastive learning network for drug response prediction

摘要

背景

癌症的显著异质性对精准药物治疗提出了巨大挑战，导致患者对相同治疗的反应存在显著差异。因此，准确预测药物敏感性成为药理学和个性化医学领域中一个紧迫而关键的挑战。现有方法在处理多模态生物数据的复杂性和异质性图谱方面存在局限性。此外，它们对标记数据的依赖性过强，限制了模型的泛化能力。

结果

在这项研究中，我们提出了异质图注意力双扰动对比学习网络（HGACL-DRP）用于药物响应预测。该框架通过整合多组学特征并实现强大的邻居过滤机制来构建优化的异质图结构。HGACL-DRP创新性地引入了双扰动对比学习范式，专门针对药物响应预测设计特征和结构扰动，从而实现了更鲁棒的异质图节点嵌入的自监督学习。在两个主要公共数据集——癌症药物敏感性基因组学（GDSC）和癌症细胞系百科全书（CCLE）上，HGACL-DRP在多个分类指标上表现出卓越的性能，分别在CCLE上达到95.48%的平均AUC，在GDSC上达到98.99%。与现有的最先进药物响应预测算法相比，HGACL-DRP在预测准确性方面显示出统计学上的显著提升。

结论

创新的多视图图谱增强策略和注意力机制旨在提升个性化药物选择并促进新药的发现。预计HGACL-DRP能够应对药物响应异质性带来的挑战，从而为临床决策提供可靠的支撑。

临床试验编号

不适用。