[論文レビュー] SafeDrug: Dual Molecular Graph Encoders for Safe Drug Recommendations.

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

Computational Drug Discovery Methods参考文献 26被引用数 9

ひとこと要約

SafeDrug は、薬剤分子構造と薬剤間相互作用（DDI）を明示的に組み込んだ二重エンコーダー・グラフニューラルネットワークモデルを提案する。グローバルな MPNN とローカルな双方向メッセージパッシングを組み合わせ、制御可能な DDI 損失を用いることで、先行手法と比較して DDI を 19.43% 減少させ、ジャカード類似度を 2.88% 向上させるとともに、トレーニングは 14% 速く、推論は 2 倍速くなった。

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 AI ベースの薬剤推薦システムが薬剤分子構造を無視するという限界を是正すること。
• DDI を暗黙的ではなく、明示的にモデル化すること。
• 予測された薬剤組み合わせにおける DDI のレベルを制御可能な推薦システムの開発。
• モデルの複雑さと推論時間を軽減しながら、推薦の正確性と安全性を向上させること。

提案手法

• SafeDrug は、薬剤の全体的な分子トポロジーを符号化するためにグローバルなメッセージパッシングニューラルネットワーク（MPNN）を採用する。
• 局所的な双方向学習モジュールを用いて、機能性基団レベルの相互作用と分子内の局所的結合性を捉える。
• グローバルおよびローカルな符号化を統合し、包括的な分子表現を生成する。
• トレーニング中に高 DDI 組み合わせをペナルティ化するための制御可能な損失関数を導入し、推薦における DDI レベルの調整を可能にする。
• 二重エンコーダー構造により、分子表現と DDI を考慮した推薦の共同最適化が可能になる。
• 電子的健康記録を用いて、分子構造特徴と既知の DDI ラベルを統合して、エンドツーエンドでモデルをトレーニングする。

実験結果

リサーチクエスチョン

• RQ1 明示的な薬剤間相互作用（DDI）のモデル化は、AI ベースの薬剤組み合わせ推薦の安全性と正確性を向上させることができるか？
• RQ2 分子構造情報の組み込みが、薬剤推薦システムの性能をどの程度向上させることができるか？
• RQ3 制御可能な損失関数は、推薦品質を損なうことなく、薬剤組み合わせの DDI レベルを効果的に制御できるか？
• RQ4 トレーニング速度、推論効率、パラメータ効率の観点から、SafeDrug は先行のディープラーニングベースのモデルと比べてどのように差をつけるか？

主な発見

• SafeDrug はベンチマークデータセット上で、先行手法と比較して薬剤間相互作用（DDI）率を 19.43% 減少させた。
• 既存の手法と比較して、推奨された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。
• 従来のディープラーニングベースのモデルと比較して、約 14% の高速なトレーニング時間を達成した。
• モデルの複雑さが低減されたため、推論速度が約 2 倍速くなった。
• 従来のディープラーニングベースの推薦モデルと比較して、はるかに少ないパラメータ数を用いた。
• 分子構造と明示的な DDI モデリングの統合により、臨床的により安全で正確な薬剤組み合わせ予測が可能になった。