[論文レビュー] SafeDrug: Dual Molecular Graph Encoders for Recommending Effective and Safe Drug Combinations

Chaoqi Yang, Cao Xiao+3 more|arXiv (Cornell University)|May 5, 2021

Computational Drug Discovery Methods被引用数 5

ひとこと要約

SafeDrugは、薬剤分子構造を活用し、薬物-薬物相互作用（DDI）を明示的に制御する二重分子グラフエンコーダーモデルを提案する。グローバルなメッセージスイーピングとローカルなバイパーティット部分構造エンコーダーを統合し、PIDにインspiredされた制御可能損失関数を用いることで、ベースライン比でDDIを19.43%低減し、ジャカード類似度を2.88%向上させるとともに、トレーニング時間を14%短縮し、推論速度を2倍に高速化した。

ABSTRACT

Medication recommendation is an essential task of AI for healthcare. Existing works focused on recommending drug combinations for patients with complex health conditions solely based on their electronic health records. Thus, they have the following limitations: (1) some important data such as drug molecule structures have not been utilized in the recommendation process. (2) drug-drug interactions (DDI) are modeled implicitly, which can lead to sub-optimal results. To address these limitations, we propose a DDI-controllable drug recommendation model named SafeDrug to leverage drugs' molecule structures and model DDIs explicitly. SafeDrug is equipped with a global message passing neural network (MPNN) module and a local bipartite learning module to fully encode the connectivity and functionality of drug molecules. SafeDrug also has a controllable loss function to control DDI levels in the recommended drug combinations effectively. On a benchmark dataset, our SafeDrug is relatively shown to reduce DDI by 19.43% and improves 2.88% on Jaccard similarity between recommended and actually prescribed drug combinations over previous approaches. Moreover, SafeDrug also requires much fewer parameters than previous deep learning-based approaches, leading to faster training by about 14% and around 2x speed-up in inference.

研究の動機と目的

• 既存の薬物推薦モデルが分子構造を無視し、薬物-薬物相互作用（DDI）を暗黙的かつ不十分にモデル化するという限界を是正すること。
• 二重グラフニューラルネットワークを用いて分子の結合性と機能的官能基を明示的にエンコードすることで、推薦の正確性と安全性を向上させること。
• PID制御にインspiredされた適応的損失関数を用いて、臨床現場での展開において、推薦の正確性と安全性のトレードオフを制御可能なDDIレベルを実現すること。
• ディープラーニングベースのベースラインと比較して、モデルの複雑さを低減し、トレーニングと推論を高速化すること。

提案手法

• 複数ホップにわたる全分子結合性を捉えるために、グローバルなメッセージスイーピングニューラルネットワーク（MPNN）を用い、薬理的性質を抽出する。
• 分子を部分構造に分割し、マスク付きニューラルネットワークを用いて機能的官能基の表現を学習するため、ローカルなバイパーティットエンコーダーを活用する。
• グローバルおよびローカルの埋め込みを要素ごとの加算により統合し、包括的な薬物表現を形成する。
• DDI率が目標閾値を超えた場合に負のDDI信号を強調するPIDにインspiredされた適応的メカニズムを用いて、DDI制御可能損失関数を設計する。
• 教師あり予測損失と教師なしDDI制約損失をハイブリッドに組み合わせ、精度と安全性の動的バランスをとるためのトレーニングを行う。
• 医師が目標DDI率（γ）を設定可能とし、臨床現場での展開において、推薦の正確性と安全性のトレードオフを制御可能にする。

実験結果

リサーチクエスチョン

• RQ1 制御可能損失関数を用いてDDIを明示的にモデル化することで、薬物組み合わせの推薦の安全性が向上するか？
• RQ2 グローバルな結合性とローカルな部分構造パターンの両方の分子グラフ構造を組み込むことで、薬物推薦性能がどのように向上するか？
• RQ3 二重エンコーダーアーキテクチャは、ワンホット符号化や埋め込みベースの符号化と比較して、薬物分子の表現をどの程度向上させるか？
• RQ4 提案されたPIDにインspiredされた損失関数は、さまざまな安全基準閾値において、モデルの正確性とDDI制御のバランスを効果的にとれるか？
• RQ5 既存のディープラーニングベースの薬物推薦モデルと比較して、SafeDrugの効率性とスケーラビリティはいかがなっているか？

主な発見

• SafeDrugは、MIMIC-IIIベンチマークデータセットにおいて、最良のベースライン比で薬物-薬物相互作用（DDI）率を19.43%低減した。
• 従来手法と比較して、推奨された薬物組み合わせと実際の組み合わせのジャカード類似度を2.88%向上させた。
• 最も効率の良いベースラインと比較して、トレーニング時間は14.39%短縮され、推論速度は44.21%向上した。
• 目標DDI率γ = 0.08でトレーニングした場合、最終的なDDI率は0.0722に達し、目標に非常に近い結果を示し、効果的な制御が可能であることを裏付けた。
• 低DDI閾値でも高い正確性を維持し、γ = 0.08でF1スコアは0.6794に達し、PRAUCは0.7691を記録した。
• アブレーションスタディの結果、グローバルMPNNとローカルバイパーティットエンコーダーの両方が性能向上に顕著に寄与しており、両方のエンコーダーを統合した完全なSafeDrugモデルが、単一エンコーダー型の変種を上回ることを確認した。