CADGL : Apprentissage profond de graphes contextuel pour la prédiction des interactions médicamenteuses

L'examen des interactions médicamenteuses (IM) est un élément pivot dans le processus de développement de médicaments. Les IM se produisent lorsque les propriétés d'un médicament sont affectées par l'administration concomitante d'autres médicaments. La détection d'interactions médicamenteuses favorables a le potentiel d'ouvrir la voie à la création et au développement de nouvelles thérapies innovantes applicables dans des contextes pratiques. Cependant, les modèles actuels de prédiction des IM continuent de faire face à des défis liés à la généralisation dans des cas extrêmes, à l'extraction robuste de caractéristiques, et aux possibilités d'application en milieu réel. Nous visons à relever ces défis en exploitant l'efficacité de l'apprentissage profond orienté contexte sur les graphes en introduisant un nouveau cadre nommé CADGL (Context-Aware Deep Graph Learning). Basé sur un autoencodeur graphique variationnel (AGV) personnalisé, nous capturons des informations structurales et physico-chimiques critiques en utilisant deux préprocesseurs contextuels pour extraire des caractéristiques sous deux angles différents : le voisinage local et le contexte moléculaire, au sein d'une structure graphique hétérogène. Notre AGV personnalisé comprend un encodeur graphique, un encodeur d'informations latentes, et un décodeur MLP (Multi-Layer Perceptron). CADGL dépasse les autres modèles de prédiction des IM de pointe, excellemment dans la prédiction d'IM cliniquement précieuses et inédites, ce qui est soutenu par des études de cas rigoureuses.