CADGL: コンテキストに配慮した深層グラフ学習による薬物相互作用の予測

薬物相互作用（Drug-Drug Interactions, DDIs）の検討は、医薬品開発プロセスにおいて重要な要素です。DDIs は、ある薬物の特性が他の薬物の存在によって影響を受ける現象を指します。好ましい DDIs の検出は、実用的な場面で応用可能な革新的な医薬品の創出と進歩に道を開く可能性があります。しかし、既存の DDI 予測モデルは、極端なケースでの汎化能力、堅牢な特徴抽出、および実際の応用可能性に関する課題に引き続き直面しています。これらの課題に対処するため、コンテキスト認識型深層グラフ学習の効果性を活用し、新しいフレームワークである CADGL を導入することを目指しています。カスタマイズされた変分グラフオートエンコーダー（Variational Graph Autoencoder, VGAE）に基づき、2つの異なる視点から特徴抽出を行う2つのコンテキスト前処理器を使用して、異種混合グラフィカル構造における重要な構造的および生理化学的情報を捉えます。これら2つの視点とは、局所近傍と分子コンテキストです。私たちがカスタマイズした VGAE には、グラフエンコーダー、潜在情報エンコーダー、および MLP デコーダーが含まれています。CADGL は他の最先端の DDI 予測モデルを上回り、臨床的に価値のある新たな DDIs の予測において優れた性能を示しており、厳密な事例研究によりその有効性が支持されています。