[論文レビュー] GENN: Predicting Correlated Drug-drug Interactions with Graph Energy Neural Networks

Tengfei Ma, Junyuan Shang+2 more|arXiv (Cornell University)|Oct 4, 2019

Computational Drug Discovery Methods参考文献 33被引用数 8

ひとこと要約

GENNは、GNNに基づくエネルギー関数を用いて構造予測問題としてDDI予測を定式化することにより、相関する薬物-薬物相互作用（DDI）をモデル化するグラフエネルギーニューラルネットワークを導入する。DDIタイプ間の依存関係を明示的に捉えるための共同最適化とコスト増強推論を用いることで、2つの実世界のDDIデータセットにおいてベースラインよりそれぞれ13.77%および5.01%の相対的PR-AUC向上を達成した。

ABSTRACT

Gaining more comprehensive knowledge about drug-drug interactions (DDIs) is one of the most important tasks in drug development and medical practice. Recently graph neural networks have achieved great success in this task by modeling drugs as nodes and drug-drug interactions as links and casting DDI predictions as link prediction problems. However, correlations between link labels (e.g., DDI types) were rarely considered in existing works. We propose the graph energy neural network (GENN) to explicitly model link type correlations. We formulate the DDI prediction task as a structure prediction problem and introduce a new energy-based model where the energy function is defined by graph neural networks. Experiments on two real-world DDI datasets demonstrated that GENN is superior to many baselines without consideration of link type correlations and achieved $13.77\%$ and $5.01\%$ PR-AUC improvement on the two datasets, respectively. We also present a case study in which \mname can better capture meaningful DDI correlations compared with baseline models.

研究の動機と目的

• 既存のDDI予測手法が異なるDDIタイプ間の相関を十分にモデル化していないという問題に対処すること。
• DDIラベル間の構造的依存関係を捉えることで、多様なタイプのDDI予測の精度を向上させること。
• グラフニューラルネットワークとエネルギーベースモデルを統合した構造予測のためのディープラーニングフレームワークを構築すること。
• 低ラベル設定下でも一般化性能に優れる、頑健な半教師あり学習を可能にすること。
• モデルが単なるリンク予測をはるかに超えて、臨床的に意味のあるDDI相関を捉えられることを検証すること。

提案手法

• GENNは、GNNに基づくエネルギー関数を有するエネルギーベースモデルを用いて、多様なタイプのDDI予測を構造予測問題として定式化する。
• エネルギー関数は、GNNによって学習されたノードおよびエッジ表現を活用することで、DDIタイプ間の依存関係を符号化するように設計されている。
• 訓練段階では、エネルギー関数下での最も確率の高いラベル構成を近似するために、コスト増強推論ネットワークが使用される。
• 予測段階では、別個のテスト時推論ネットワークが使用され、効率的な構造的出力予測が可能になる。
• モデルは、両方の推論ネットワークとエネルギー関数パラメータの両方を最小化する構造的ヒンジ損失を用いた共同最適化手順で訓練される。
• ラベルありおよびラベルなしエッジを同時に最適化することで、半教師あり学習が実現され、データが限られた状況下での一般化性能が向上する。

実験結果

リサーチクエスチョン

• RQ1 DDIタイプ間の相関をモデル化することで、多様なタイプのDDI予測の性能が向上するか？
• RQ2 GENNは、標準的なGNNや他のベースラインと比較して、PR-AUCおよび低ラベル設定下での頑健性においてどのように差をつけるか？
• RQ3 GENNは、ラベル依存関係を無視するモデルと比較して、臨床的に意味のあるDDI相関をどの程度正確に捉えられるか？
• RQ4 わずかに少数のエッジがラベル付けされた状況でも、提案されたエネルギーベースGNNフレームワークは一般化性能に優れているか？
• RQ5 GENNは、その予測において、異なるDDIタイプ間の真の相関構造をどの程度正確に保持しているか？

主な発見

• GENNは、DeepDDIデータセットにおいて、ベースラインGNNモデルと比較して13.77%の相対的PR-AUC向上を達成した。
• BIOSNAPデータセットでは、GNNベースラインと比較して5.01%の相対的PR-AUC向上を達成した。
• エッジ欠落に対して優れた頑健性を示し、訓練に使用されるエッジがたった5%の状況でも高い性能を維持した。
• 相関分析の結果、GENNの予測されたDDIタイプ分布は真の値とよく一致しており、MLP、DeepWalk、GNN、GLENNと比較して真のラベル相関をよりよく捉えていた。
• ワルファリンに関する事例研究では、共有される生物学的メカニズムに起因する出血関連DDIタイプを正しく予測し、DDI相関を捉える能力が裏付けられた。
• アブレーションスタディの結果、共同最適化を含む完全なGENNモデルは、教師あり学習のみのバージョン（GENN⁻）を上回り、エンドツーエンドの構造的学習の利点が裏付けられた。