[논문 리뷰] SafeDrug: Dual Molecular Graph Encoders for Recommending Effective and Safe Drug Combinations

Chaoqi Yang, Cao Xiao외 3명|arXiv (Cornell University)|2021. 05. 05.

Computational Drug Discovery Methods인용 수 5

한 줄 요약

SafeDrug는 약물 분자의 구조를 활용하고 약물-약물 상호작용(DDI)을 명시적으로 제어함으로써 더 안전하고 효과적인 약물 조합 추천을 위한 이중 분자 그래프 인코더 모델을 제안한다. 글로벌 메시지 전달과 국소 이분할 하위구조 인코더를 결합하고 PID 유사 제어 손실 함수를 적용함으로써, SafeDrug는 기존 기준 대비 DDI를 19.43% 감소시키고 재현율 유사도(Jaccard similarity)를 2.88% 향상시키며, 학습 시간은 14% 줄이고 추론 속도는 2배로 빠르게 한다.

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.

연구 동기 및 목표

• 기존 약물 추천 모델이 분자 구조를 忽시하고 약물-약물 상호작용(DDI)을 암묵적으로 모델링하는 데서 비롯하는 한계를 해결하기 위해.
• 이중 그래프 신경망을 사용해 분자 결합성과 功能적 하위구조를 명시적으로 인코딩함으로써 추천 정확도와 안전성을 향상시키기 위해.
• PID 제어를 영감으로 삼은 적응형 손실 함수를 통해 임상 적용에서 추천 정확도와 안전성 간의 트레이드오���을 제어할 수 있도록 하기 위해.
• 딥 러닝 기반 기준 대비 모델 복잡도를 줄이고 학습 및 추론 속도를 가속화하기 위해.

제안 방법

• 다중 홉을 거쳐 전체 분자 연결성을 캡처하는 글로벌 메시지 전달 신경망(MPNN)을 사용해 약물의 약리적 성질을 인코딩한다.
• 국소 이분할 인코더를 활용해 분자를 하위구조로 분할하고 마스킹된 신경망을 통해 기능기능기반 표현을 학습한다.
• 글로벌 및 로컬 임베딩을 요소별 덧셈으로 통합하여 종합적인 약물 표현을 형성한다.
• DDI 비율이 목표 임계값을 초과할 경우 부정적 DDI 신호에 초점을 맞춘 PID 유사 적응 메커니즘을 사용해 DDI 제어 가능한 손실 함수를 설계한다.
• 감독 학습 예측 손실과 비감독 DDI 제약 손실을 융합한 하이브리드 손실을 사용해 정확도와 안전성을 동적으로 균형 잡는 방식으로 모델을 훈련한다.
• 의사가 목표 DDI 비율(γ)을 설정할 수 있도록 하여 임상 적용에서 추천 정확도와 안전성 간의 균형을 제어할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 제어 가능한 손실 함수를 통해 약물-약물 상호작용(DDI)을 명시적으로 모델링하면 약물 조합 추천의 안전성이 향상되는가?
• RQ2 글로벌 연결성과 국소 하위구조 패턴을 모두 포함한 분자 그래프 구조를 통합할 경우 약물 추천 성능은 어떻게 향상되는가?
• RQ3 이중 인코더 아키텍처는 원-핫 또는 임베딩 기반 인코딩에 비해 약물 분자의 표현을 얼마나 향상시키는가?
• RQ4 제안된 PID 유사 손실 함수는 다양한 안전 기준 임계값에서 모델 정확도와 DDI 제어를 효과적으로 균형 잡을 수 있는가?
• RQ5 기존 딥 러닝 기반 약물 추천 모델 대비 효율성과 확장성 측면에서 SafeDrug는 어떻게 비교되는가?

주요 결과

• SafeDrug는 MIMIC-III 벤치마크 데이터셋에서 기준 모델 대비 최고 성능을 기록한 기준 대비 DDI 비율을 19.43% 감소시켰다.
• 기존 접근 방식에 비해 추천된 약물 조합과 실제 조합 간의 재현율 유사도(Jaccard similarity)를 2.88% 향상시켰다.
• 가장 효율적인 기준 대비 학습 시간은 14.39% 감소하고 추론 속도는 44.21% 향상되었다.
• 목표 DDI 비율 γ = 0.08로 훈련한 경우, SafeDrug는 최종 DDI 비율 0.0722를 기록해 목표에 매우 가까운 제어 성능를 보였다.
• 낮은 DDI 임계값에서도 높은 정확도를 유지했으며, γ = 0.08일 때 F1 점수는 0.6794에 도달했고, PRAUC는 0.7691이었다.
• 제거 실험 결과, 글로벌 MPNN와 국소 이분할 인코더 모두 성능 향상에 기여하며, 전체 SafeDrug 모델이 단일 인코더 유형을 사용한 변형보다 우수한 성능을 보였다.