预测肿瘤细胞系对治疗药物的反应是现代肿瘤学的一个重要课题，它可以帮助癌症的个性化治疗。尽管已有许多机器学习方法用于预测癌症药物反应(CDR)，但整合癌症细胞系、药物及其已知反应的各种信息仍然是一个巨大的挑战。本文提出了一种基于对比学习的图神经网络CDR预测方法。GraphCDR基于癌症细胞株的多组学特征、药物化学结构和已知癌症细胞株药物反应构建了一个图神经网络，用于CDR预测，而对比学习任务作为多任务学习范式中的正则化任务，以增强泛化能力。在计算实验中，在不同的实验配置下，GraphCDR优于最新的方法，而消融研究揭示了GraphCDR的关键组成部分:生物学特征、已知的癌细胞系药物反应和对比学习对CDR的高精度预测非常重要。实验分析表明，GraphCDR的预测能力和指导抗癌药物选择的潜在价值。

如上图所示，GraphCDR框架包括以下三个模块:(i)节点表示模块通过DNN层/GNN编码器从多组学概要/分子图中提取癌细胞/药物表示;(ii) CDR预测模块将已知的癌细胞株-药物反应生成CDR图，并将上述表示作为节点(即癌细胞株和药物)的输入属性，通过GNN编码器学习节点的潜在嵌入，预测新的CDR;(iii)对比学习模块提出了基于CDR图及其损坏图的对比学习任务，并将该任务作为正则化器合并到GraphCDR中。

论文链接：https://pubmed.ncbi.nlm.nih.gov/34727569/

内容中包含的图片若涉及版权问题，请及时与我们联系删除