[论文解读] GENN: Predicting Correlated Drug-drug Interactions with Graph Energy Neural Networks

Tengfei Ma, Junyuan Shang+2 more|arXiv (Cornell University)|Oct 4, 2019

Computational Drug Discovery Methods参考文献 33被引用 8

一句话总结

GENN 提出一种图能量神经网络，通过基于图神经网络（GNN）的能量函数，将药物-药物相互作用（DDI）预测建模为结构预测问题，从而显式捕捉不同 DDI 类型之间的依赖关系。通过联合优化与代价增强推理，GENN 在两个真实世界 DDI 数据集上分别实现了 13.77% 和 5.01% 的相对 PR-AUC 提升。

ABSTRACT

Gaining more comprehensive knowledge about drug-drug interactions (DDIs) is one of the most important tasks in drug development and medical practice. Recently graph neural networks have achieved great success in this task by modeling drugs as nodes and drug-drug interactions as links and casting DDI predictions as link prediction problems. However, correlations between link labels (e.g., DDI types) were rarely considered in existing works. We propose the graph energy neural network (GENN) to explicitly model link type correlations. We formulate the DDI prediction task as a structure prediction problem and introduce a new energy-based model where the energy function is defined by graph neural networks. Experiments on two real-world DDI datasets demonstrated that GENN is superior to many baselines without consideration of link type correlations and achieved $13.77\%$ and $5.01\%$ PR-AUC improvement on the two datasets, respectively. We also present a case study in which \mname can better capture meaningful DDI correlations compared with baseline models.

研究动机与目标

• 解决现有 DDI 预测方法在建模不同 DDI 类型之间相关性方面的不足。
• 通过捕捉 DDI 标签之间的结构化依赖关系，提升多类型 DDI 预测的准确性。
• 开发一种将图神经网络与基于能量的模型相结合的深度学习框架，用于生物医学图的结构化预测。
• 实现鲁棒的半监督训练，在标签数据稀缺的情况下仍具备良好的泛化能力。
• 验证模型是否能捕捉超越简单链接预测的临床有意义的 DDI 相关性。

提出的方法

• GENN 将多类型 DDI 预测建模为基于能量函数的结构预测问题，该能量函数由图神经网络（GNN）构建。
• 能量函数通过利用 GNN 学习到的节点和边表示，编码不同 DDI 类型之间的依赖关系。
• 训练过程中使用代价增强推理网络，以近似能量函数下最可能的标签配置。
• 推理阶段使用独立的测试时推理网络，实现高效的结构化输出预测。
• 通过联合优化过程最小化两个推理网络与能量函数参数的结构化铰链损失。
• 通过联合优化有标签和无标签边，实现半监督学习，提升在数据稀缺情况下的泛化能力。

实验结果

研究问题

• RQ1 建模 DDI 类型之间的相关性是否能提升多类型 DDI 预测的性能？
• RQ2 在低标签设置下，GENN 与标准 GNN 及其他基线模型相比，在 PR-AUC 和鲁棒性方面表现如何？
• RQ3 与忽略标签依赖关系的模型相比，GENN 在多大程度上能捕捉到临床有意义的 DDI 相关性？
• RQ4 当仅有少量边被标记时，所提出的基于能量的 GNN 框架是否具备良好的泛化能力？
• RQ5 GENN 在预测中是否能较好地保持不同 DDI 类型之间的真实相关性结构？

主要发现

• 在 DeepDDI 数据集上，GENN 相较于基线 GNN 模型实现了 13.77% 的相对 PR-AUC 提升。
• 在 BIOSNAP 数据集上，GENN 相较于 GNN 基线实现了 5.01% 的相对 PR-AUC 提升。
• GENN 在边缺失情况下表现出更优的鲁棒性，即使仅使用 5% 的边进行训练，仍能保持高性能。
• 相关性分析显示，GENN 预测的 DDI 类型分布与真实标签高度一致，在捕捉真实标签相关性方面优于 MLP、DeepWalk、GNN 和 GLENN。
• 通过华法林的案例研究验证了模型捕捉 DDI 相关性能力：由于共享生物学机制，模型正确预测了多种与出血相关的 DDI 类型。
• 消融实验证实，采用联合优化的完整 GENN 模型优于仅使用监督训练的变体（GENN⁻），证明了端到端结构化学习的优势。