[논문 리뷰] Drug Similarity Integration Through Attentive Multi-view Graph Auto-Encoders

Tengfei Ma, Cao Xiao외 2명|arXiv (Cornell University)|2018. 04. 28.

Computational Drug Discovery Methods참고 문헌 24인용 수 28

한 줄 요약

이 논문은 화학 구조, 적응증, TTDS, CPI와 같은 이질적인 약물 특징들을 통합하여 통합적이고 해석 가능한 약물 유사도 측정법을 제안한다. 주목사용 기반 시각 가중치를 갖춘 그래프 오토인코더를 활용함으로써, 레이블이 부족한 상황에서도 예측 정확도를 향상시키고, 반감독, 강건성, 그리고 해석 가능성 있는 유사도 학습을 가능하게 한다.

ABSTRACT

Drug similarity has been studied to support downstream clinical tasks such as inferring novel properties of drugs (e.g. side effects, indications, interactions) from known properties. The growing availability of new types of drug features brings the opportunity of learning a more comprehensive and accurate drug similarity that represents the full spectrum of underlying drug relations. However, it is challenging to integrate these heterogeneous, noisy, nonlinear-related information to learn accurate similarity measures especially when labels are scarce. Moreover, there is a trade-off between accuracy and interpretability. In this paper, we propose to learn accurate and interpretable similarity measures from multiple types of drug features. In particular, we model the integration using multi-view graph auto-encoders, and add attentive mechanism to determine the weights for each view with respect to corresponding tasks and features for better interpretability. Our model has flexible design for both semi-supervised and unsupervised settings. Experimental results demonstrated significant predictive accuracy improvement. Case studies also showed better model capacity (e.g. embed node features) and interpretability.

연구 동기 및 목표

• 화학 구조, 적응증, 부작용 등의 이질적이고 노이즈가 많고 비선형적인 약물 특징들을 통합적인 유사도 측정법으로 통합하는 데 도전한다.
• 다중 시각 약물 유사도 학습에서 모델 정확도와 해석 가능성 사이의 상충 관계를 극복한다.
• 그래프 오토인코더를 사용하여 레이블이 적거나 부족한 상황에서도 약물-약물 상호작용(DDI)을 효과적으로 예측할 수 있도록 한다.
• 반감독 및 무감독 학습을 모두 지원할 수 있는 탄력적인 프레임워크를 개발한다.
• 특히 상호작용이 명시적으로 레이블링되지 않은 '양성 미레이블' 샘플이 있는 경우에도 노이즈에 강건한 데이터 처리 능력을 향상시킨다.

제안 방법

• 각 약물을 다중 시각 그래프 내의 노드로 모델링하며, 각 시각은 다른 유형의 약물 특징(예: 화학 피처프린트, 적응증, TTDS, CPI)에 대응한다.
• 구조적이고 특징적인 관계를 시각 간에 유지하는 저차원 노드 임베딩을 학습하기 위해 그래프 오토인코더(GAE)를 사용한다.
• 작업의 관련성에 따라 시각별 가중치를 동적으로 할당하는 주목사용 기반 메커니즘을 도입하여, 적응적이고 해석 가능한 다중 시각 융합을 가능하게 한다.
• GAE의 재구성 손실을 그래프 구조를 유지하는 정규화 항으로 설정하여, 레이블이 없는 데이터를 효과적으로 활용할 수 있도록 한다.
• 특징이 제공되지 않을 경우 레이블을 잠재 변수로 간주하여 전이 설정으로 확장함으로써, 그래프 구조만으로도 예측이 가능하도록 한다.
• 각 작업에 대해 가장 기여하는 시각을 학습할 수 있도록, 미분 가능한 주목사용 기반 메커니즘을 사용해 모델을 종합적으로 최적화한다.

실험 결과

연구 질문

• RQ1 기존 방법과 비교해 주목사용 기반 다중 시각 융합이 약물 유사도 측정의 정확도와 해석 가능성에 어떻게 기여하는가?
• RQ2 레이블이 부족하거나 노이즈가 많은 상황에서 제안된 모델이 약물-약물 상호작용(DDI) 예측에 얼마나 잘 성능을 내는가?
• RQ3 주의 가중치가 알려진 생물학적 메커니즘을 얼마나 잘 반영하여 모델의 해석 가능성과 관련성을 높이는가?
• RQ4 화학, 적응증, CPI 등의 다양한 이질적 약물 특징을 통합함으로써 단일 시각 또는 균일한 가중치 융합 대비 얼마나 향상된 유사도 표현이 가능한가?
• RQ5 그래프 오토인코더 프레임워크가 전이 또는 반감독 설정에서 레이블이 없는 데이터를 효과적으로 활용하여 DDI 예측 성능을 향상시키는가?

주요 결과

• AttSemiGAE 모델은 DDI 예측에서 유의미한 AUC 향상을 보였으며, '가슴 통증'의 경우 AUC 0.772, '불면증'의 경우 AUC 0.755를 기록하여 기준 모델을 초월했다.
• 주의 가중치는 생물학적으로 타당한 특징 중요도를 드러냈다: '가슴 통증'의 경우 CPI와 적응증 특징이 높은 가중치(0.402 및 0.303)를 가지며, 단백질 상호작용 및 약물 동시 사용과 관련된 알려진 메커니즘과 일치했다.
• '불면증'의 경우 모델이 화학 구조와 CPI 특징을 올바르게 강조하여 각각 0.380 및 0.291의 가중치를 할당했으며, CYP450 매개 대사 메커니즘과 일치했다.
• 모델은 아시클로버와 간시클로비르 간의 통합 유사도 점수를 0.682로 계산했으며, 이는 레이블 전파 방식(0.551)보다 높았고, 이는 그들의 높은 구조적 유사도(0.961)와 공통되는 DDI를 반영한 것이다.
• 알프라졸람-에스타조람 및 알프라졸람-트리아조람과 같은 경우, 모델은 화학 구조와 CPI 특징에 더 높은 가중치를 할당하여 0.682~0.720의 유사도 점수를 산출했고, 기준 모델은 균일한 시각 가중치로 인해 낮은 점수(0.551~0.630)를 기록했다.
• 모델는 노이즈에 강건했으며, 상호작용이 명시적으로 레이블링되지 않은 '양성 미레이블' 샘플을 효과적으로 처리하여, 자동인코딩을 통한 안정적이고 노이즈에 강건한 표현을 학습했다.