Dumpling GNN : Un réseau de neurones hybride pour une meilleure prédiction de l'activité du payload ADC basée sur la structure chimique

Les anticorps-conjugués de médicaments (ADC) sont apparus comme une classe prometteuse de thérapeutiques ciblées contre le cancer, mais la conception et l'optimisation de leurs charges cytotoxiques restent des défis importants. Cette étude présente DumplingGNN, une nouvelle architecture hybride de réseau neuronal graphique spécifiquement conçue pour prédire l'activité des charges d'ADC en fonction de leur structure chimique. En intégrant des réseaux neuronaux à passage de messages (MPNN), des réseaux neuronaux d'attention graphique (GAT) et des couches GraphSAGE, DumplingGNN capture efficacement les caractéristiques moléculaires à plusieurs échelles et exploite à la fois les informations topologiques 2D et structurales 3D. Nous évaluons DumplingGNN sur un ensemble de données complet de charges d'ADC axé sur les inhibiteurs de la topoisomérase I de l'ADN, ainsi que sur plusieurs benchmarks publics provenant de MoleculeNet. DumplingGNN atteint des performances de pointe sur plusieurs ensembles de données, notamment BBBP (96,4 % ROC-AUC), ToxCast (78,2 % ROC-AUC) et PCBA (88,87 % ROC-AUC). Sur notre ensemble de données spécialisé en charges d'ADC, il démontre une précision exceptionnelle (91,48 %), une sensibilité (95,08 %) et une spécificité (97,54 %). Les études par ablation confirment les effets synergiques de l'architecture hybride et le rôle crucial des informations structurales 3D dans l'amélioration de la précision prédictive. L'interprétabilité forte du modèle, rendue possible par les mécanismes d'attention, fournit des insights précieux sur les relations structure-activité. DumplingGNN représente une avancée significative dans la prédiction des propriétés moléculaires, avec un potentiel particulier pour accélérer la conception et l'optimisation des charges d'ADC dans le développement de thérapies ciblées contre le cancer.