基于双Transformer的药物反应预测模型改进研究

近年来，基于图神经网络（GNN）的方法在药物响应预测任务中取得了优异的成果，成为主流方法之一。传统的GNN方法仅使用药物分子中的原子作为节点，通过节点信息传递来获取分子图的表示，而使用变压器（Transformer）的方法则只能提取节点的信息。然而，药物分子的共价键和手性对其药理性质有重要影响，这些信息隐含在由原子之间形成的化学键中。此外，用于建模细胞系基因组序列的卷积神经网络（CNN）方法只能感知序列的局部信息而非全局信息。为了解决上述问题，我们提出了一种用于药物响应预测的解耦双变压器结构并嵌入边缘信息（TransEDRP），分别用于细胞系基因组和药物的表示。对于药物分支，我们将分子内的化学键信息编码为分子图中边的嵌入，利用图变压器提取了药物分子的整体结构和生物化学信息。对于细胞系基因组分支，我们采用多头注意力机制对基因组序列进行全局表示。最后，通过变压器层和全连接层将药物和基因组两个不同模态的分支融合起来，以预测IC50值。广泛的实验表明，我们的方法在所有评估指标上均优于当前主流方法。