CADGL: 약물-약물 상호작용 예측을 위한 문맥 인식 딥 그래프 학습

약물-약물 상호작용(Drug-Drug Interactions, DDIs)은 약물 개발 과정에서 핵심적인 요소입니다. DDIs는 하나의 약물이 다른 약물의 포함으로 인해 그 특성이 영향을 받는 현상을 의미합니다. 유리한 DDIs를 발견하는 것은 실제 환경에서 적용 가능한 혁신적인 의약품을 개발하고 발전시키는 데 중요한 역할을 합니다. 그러나 기존의 DDI 예측 모델들은 극단적인 사례에서의 일반화, 강건한 특성 추출, 그리고 실제 생활에서의 응용 가능성과 관련된 문제들을 계속해서 직면하고 있습니다. 우리는 이러한 도전 과제들을 해결하기 위해 컨텍스트 인식 깊은 그래프 학습(context-aware deep graph learning)의 효과성을 활용하여 새로운 프레임워크인 CADGL을 소개합니다. 맞춤형 변동 그래프 오토인코더(Variational Graph Autoencoder, VGAE)를 기반으로 하여, 두 가지 측면(지역 이웃과 분자적 맥락)에서 두 개의 컨텍스트 전처리기를 사용하여 이질적인 그래픽 구조에서 중요한 구조적 및 물리-화학적 정보를 추출합니다. 우리의 맞춤형 VGAE는 그래프 인코더, 잠재 정보 인코더, 그리고 MLP 디코더로 구성됩니다. CADGL은 철저한 사례 연구를 통해 임상적으로 가치 있는 새로운 DDIs를 예측하는 데 우수함을 입증하며, 다른 최신 DDI 예측 모델들을 능가합니다.