[논문 리뷰] SafeDrug: Dual Molecular Graph Encoders for Safe Drug Recommendations.

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

Computational Drug Discovery Methods참고 문헌 26인용 수 9

한 줄 요약

SafeDrug는 약물 분자의 구조와 약물-약물 상호작용(DDI)을 명시적으로 통합한 이중 인코더 그래프 신경망 모델을 제안한다. 전역 MPNN와 국소 이분할 메시지 전파를 조합하고 가용 DDI 손실을 제어함으로써, 이전 방법 대비 DDI를 19.43% 감소시키고 재현율 유사도(Jaccard similarity)를 2.88% 향상시키며, 훈련 속도는 14% 빠르고 추론 속도는 2배 빠르게 구현한다.

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

• 기존의 인공지능 기반 약물 추천 시스템이 약물 분자의 구조를 忽시하는 한계를 해결하기 위해.
• 암시적으로 다루는 대신 약물-약물 상호작용(DDI)을 명시적으로 모델링하기 위해.
• 예측된 약물 조합의 DDI 수준을 조절할 수 있는 제어 가능한 추천 시스템을 개발하기 위해.
• 모델 복잡도와 추론 시간을 줄이며 동시에 추천 정확도와 안전성을 향상시키기 위해.

제안 방법

• SafeDrug는 약물의 전반적인 분자 구조를 인코딩하기 위해 전역 메시지 전파 신경망(MPNN)을 사용한다.
• 국소 이분할 학습 모듈을 활용해 약물 분자의 기능기능 수준의 상호작용과 국소 연결성을 포착한다.
• 전역 및 국소 인코딩을 통합하여 종합적인 분자 표현을 생성한다.
• 훈련 중에 고수준 DDI 조합을 방지하기 위해 가용 DDI 손실 함수를 도입하여 추천에서 DDI 수준을 조절할 수 있도록 한다.
• 이중 인코더 아키텍처는 분자 표현 학습과 DDI 인식 추천을 함께 최적화할 수 있도록 한다.
• 모델은 분자 구조 특징과 알려진 DDI 레이블을 포함한 전자적 건강 기록을 기반으로 엔드 투 엔드로 훈련된다.

실험 결과

연구 질문

• RQ1 약물-약물 상호작용(DDI)을 명시적으로 모델링하면 AI 기반 약물 조합 추천의 안전성과 정확도가 향상되는가?
• RQ2 분자 구조 정보를 통합함으로써 약물 추천 시스템의 성능 향상은 어느 정도 이루어지는가?
• RQ3 제어 가능한 손실 함수는 추천 약물 조합의 DDI 수준을 효과적으로 조절할 수 있으며, 이는 추천 품질을 희생시키지 않는가?
• RQ4 훈련 속도, 추론 효율성, 파라미터 효율성 측면에서 SafeDrug는 이전의 딥러닝 기반 모델과 어떻게 비교되는가?

주요 결과

• SafeDrug는 기준 데이터셋에서 이전 방법 대비 19.43%의 약물-약물 상호작용(DDI) 비율 감소를 기록했다.
• 기존 방법 대비 실제 약물 조합과 추천 약물 조합 간의 재현율 유사도(Jaccard similarity)가 2.88% 향상되었다.
• 이전의 딥러닝 기반 모델 대비 약 14% 더 빠른 훈련 시간을 달성했다.
• 모델 복잡도가 감소함에 따라 추론 속도가 이전 방법 대비 약 2배 빨라졌다.
• 이전의 딥러닝 기반 추천 모델 대비 훨씬 적은 파라미터를 사용한다.
• 분자 구조 정보와 명시적 DDI 모델링의 통합은 더 임상적으로 안전하고 정확한 약물 조합 예측을 이끌어낸다.