[論文レビュー] Interpretable bilinear attention network with domain adaptation improves drug-target prediction

Peizhen Bai, Filip Miljković+2 more|arXiv (Cornell University)|Aug 3, 2022

Computational Drug Discovery Methods被引用数 8

ひとこと要約

本稿では、解釈可能なドラッグ-ターゲット相互作用（DTI）予測のためのドメイン適応を備えた深層双線形アテンションネットワーク、DrugBANを提案する。本手法は、双線形アテンション機構を用いてドラッグとタンパク質の局所的サブ構造レベルの相互作用を明示的にモデル化し、条件付きドメイン adversarial 学習により分布外のペアにおける一般化性能を向上させ、3つのベンチマークデータセットにおいて、ドメイン内およびクロスドメインの両設定で最先端の性能を達成した。

ABSTRACT

Predicting drug-target interaction is key for drug discovery. Recent deep learning-based methods show promising performance but two challenges remain: (i) how to explicitly model and learn local interactions between drugs and targets for better prediction and interpretation; (ii) how to generalize prediction performance on novel drug-target pairs from different distribution. In this work, we propose DrugBAN, a deep bilinear attention network (BAN) framework with domain adaptation to explicitly learn pair-wise local interactions between drugs and targets, and adapt on out-of-distribution data. DrugBAN works on drug molecular graphs and target protein sequences to perform prediction, with conditional domain adversarial learning to align learned interaction representations across different distributions for better generalization on novel drug-target pairs. Experiments on three benchmark datasets under both in-domain and cross-domain settings show that DrugBAN achieves the best overall performance against five state-of-the-art baselines. Moreover, visualizing the learned bilinear attention map provides interpretable insights from prediction results.

研究の動機と目的

• 局所的サブ構造レベルの相互作用を明示的にモデル化することで、DTI予測の性能と解釈可能性を向上させる。
• 異なるデータ分布間のドメインシフトを軽減することで、未知の分布外のドラッグ-ターゲットペアにおけるモデルの一般化性能を向上させる。
• 分子グラフとタンパク質配列表現を統合し、アテンションベースの相互作用モデリングを組み込んだ深層学習フレームワークを構築する。
• 学習された双線形アテンションマップを可視化することで、予測の解釈可能性を提供する。
• 多様な化学的・ゲノム的空間において、ドメイン内およびクロスドメインの両設定で強力な性能を発揮する。

提案手法

• DrugBANは、グラフ畳み込みネットワーク（GCNs）を用いてドラッグ分子グラフを符号化し、1D-CNNを用いてタンパク質配列を符号化することで、局所的サブ構造およびサブシーケンス表現を生成する。
• 双線形アテンションネットワークは、低ランク変換行列を用いて、ドラッグとタンパク質の表現間の相互作用マップを計算し、サブ構造レベルの相互作用強度をモデル化する。
• 共有行列を用いた双線形プーリングにより統合表現が形成され、その後、全結合デコーダーを介してDTI確率予測が行われる。
• 条件付きドメイン adversarial 学習（CDAN）を用いて、ソースドメインとターゲットドメイン間で統合表現と予測ログィットをアライメントさせ、ドメインシフトを低減する。
• エポック数100を上限として、交差エントロピー損失とバリデーション AUROC を用いた早期停止を用いて、エンドツーエンドでモデルを訓練する。
• 解釈可能性は、学習された双線形アテンションマップの可視化により実現され、関連する主要な相互作用サブ構造を強調する。

実験結果

リサーチクエスチョン

• RQ1 ドラッグとタンパク質の局所的サブ構造レベルの相互作用を明示的にモデル化することで、DTI予測の性能と解釈可能性が向上するか？
• RQ2 ドメイン適応技術を用いることで、分布外のドラッグ-ターゲットペアにおけるDTIモデルの一般化性能が向上するか？
• RQ3 提案されたDrugBANフレームワークは、ドメイン内およびクロスドメインの両設定でSOTA手法と比較してどのように異なるか？
• RQ4 アテンションマップが予測された相互作用に関する意味的で解釈可能なインサイトをどの程度提供するか？
• RQ5 双線形アテンションとドメイン適応を統合することで、多様な化学的・ゲノム的空間においてより強固で一般化可能なDTI予測が達成されるか？

主な発見

• DrugBANは、BindingDB、BioSNAP、Human の3つのベンチマークデータセットにおいて、5つのSOTAベースラインすべてで最高の全体的性能を達成した。
• クロスドメイン設定では、未観測のデータ分布においても顕著な一般化性能の向上を示し、強靭性を確認した。
• すべてのデータセットでSOTAのAUROCスコアを達成し、GraphDTA や MolTrans などのベースラインと比較して顕著な改善を示した。
• 可視化された双線形アテンションマップは、ドラッグの主要な相互作用サブ構造およびタンパク質の結合部位を強調することで、解釈可能なインサイトを提供した。
• アブレーションスタディにより、双線形アテンション機構とドメイン適応の両方が性能向上に寄与していることが確認された。
• ハイパーパramータ設定の変更に対して強いロバストネスを示し、さまざまな設定において安定した性能を発揮した。