생물의학적 상호작용 예측을 위한 고차원 그래프 컨볼루션 네트워크

생물의학적 상호작용 네트워크는 생물학적으로 의미 있는 상호작용 예측, 질병의 네트워크 생물마커 식별, 그리고 가능성이 있는 약물 표적 탐색에 있어 놀라운 잠재력을 지닌다. 최근 그래프 신경망(GNN)이 생물의학적 엔티티에 대한 표현을 효과적으로 학습하고, 생물의학적 상호작용 예측 분야에서 최첨단 성능을 달성하는 데 활용되고 있다. 그러나 이러한 기법들은 이웃 엔티티로부터의 정보만 고려할 뿐, 다양한 거리에 있는 이웃들로부터의 특징을 종합적으로 학습하는 데 한계가 있다. 본 논문에서는 생물의학적 상호작용 예측을 위해 고차원 이웃 정보를 통합하기 위한 고차원 그래프 컨볼루션 네트워크(HOGCN)를 제안한다. 구체적으로 HOGCN은 다양한 거리의 이웃들로부터의 특징 표현을 수집하고, 이들을 선형 혼합하여 생물의학적 엔티티에 대한 정보가 풍부한 표현을 학습한다. 단백질-단백질, 약물-약물, 약물-타겟, 유전자-질병 상호작용을 포함한 네 가지 상호작용 네트워크에서 수행된 실험 결과, HOGCN은 보다 정확하고 보정된 예측 성능을 달성함을 확인하였다. 다양한 거리의 이웃 특징 표현을 고려함으로써, HOGCN은 노이즈가 많고 희소한 상호작용 네트워크에서도 우수한 성능을 발휘한다. 더불어, 문헌 기반 사례 연구를 통해 제안된 새로운 상호작용 예측들에 대한 타당성이 검증되었다.