要約
生体医療相互作用ネットワークは、生物学的に意味のある相互作用の予測、疾患のネットワークバイオマーカーの同定、および仮定される薬剤標的の発見において、極めて大きな潜在能力を有している。近年、グラフニューラルネットワーク（GNN）が生体医療エンティティの表現を効果的に学習し、生体医療相互作用予測において最先端の成果を達成した。しかし、これらの手法は隣接ノードからの情報のみを考慮しており、異なる距離に位置する隣接ノードからの特徴の一般化された混合を学習することができないという限界がある。本研究では、生体医療相互作用予測のため、高次近傍からの情報を集約するための高次元グラフ畳み込みネットワーク（HOGCN: Higher-order Graph Convolutional Network）を提案する。具体的には、HOGCNは異なる距離に位置する隣接ノードの特徴表現を収集し、それらの線形混合を学習することで、生体医療エンティティの情報を豊かにした表現を獲得する。プロテイン-プロテイン、ドラッグ-ドラッグ、ドラッグ-ターゲット、遺伝子-疾患相互作用を含む4つの相互作用ネットワークに対する実験結果から、HOGCNがより正確かつ信頼性の高い予測を達成することが示された。特に、ノイズが強く疎な相互作用ネットワークにおいても、異なる距離の隣接ノードの特徴表現を考慮することで、HOGCNは優れた性能を発揮した。さらに、文献に基づく事例研究により、本手法が導出した一連の新規相互作用予測が妥当性を確認された。