残差グラフ同型ネットワークと注意力機構による薬剤シネルジー予測

arXiv:2604.21473v1 Announce Type: cross 要旨：複雑な疾患の治療において、単一薬剤を用いた治療プロトコルは限界のある効果をしか示さず、薬剤耐性を引き起こす可能性があります。それに対し、結合薬物療法は相乗効果を通じて治療結果を大幅に改善できます。しかし、実験的にすべての可能な薬剤組み合わせを検証することは著しく高コストであるため、効率的な計算予測法の必要性が際立っています。既存の深層学習およびグラフニューラルネットワーク（GNN）に基づくアプローチは大きな進展を遂げましたが、構造バイアスの低減、一般化能力の向上、およびモデルの解釈可能性の強化という課題は残されています。これらの限界に対処するため、この論文では、相乗効果の予測を強化するために分子の構造的特徴と細胞ラインのゲノムプロファイリングを薬剤間の相互作用と統合した協力的予測グラフニューラルネットワークを提案します。私たちは、新しいモデルである残差グラフ同型ネットワークに注意力機構を統合したモデル（ResGIN-Att）を導入します。このモデルは、まず残差グラフ同型ネットワークを用いて薬剤分子のスケーリングされた拓扑学的特徴を抽出し、残差結合が深い層での過平滑化を緩和するのを助けます。次に、適応型長期短期記憶（LSTM）モジュールが局所的な情報から全球的な情報へと構造情報を統合します。最後に、クロス注意力機構が薬剤間の相互作用を明示的にモデル化し、重要な化学的分画構造を特定します。5 つの公開ベンチマークデータセットで実施された大規模な実験において、ResGIN-Att が競争力のある性能を示し、重要なベースライン手法に対して優位性を見せつつ、有望な一般化能力と頑健性を示したことが証明されました。

arXiv:2604.21473v1 Announce Type: cross Abstract: In the treatment of complex diseases, treatment regimens using a single drug often yield limited efficacy and can lead to drug resistance. In contrast, combination drug therapies can significantly improve therapeutic outcomes through synergistic effects. However, experimentally validating all possible drug combinations is prohibitively expensive, underscoring the critical need for efficient computational prediction methods. Although existing approaches based on deep learning and graph neural networks (GNNs) have made considerable progress, challenges remain in reducing structural bias, improving generalization capability, and enhancing model interpretability. To address these limitations, this paper proposes a collaborative prediction graph neural network that integrates molecular structural features and cell-line genomic profiles with drug-drug interactions to enhance the prediction of synergistic effects. We introduce a novel model named the Residual Graph Isomorphism Network integrated with an Attention mechanism (ResGIN-Att). The model first extracts multi scale topological features of drug molecules using a residual graph isomorphism network, where residual connections help mitigate over-smoothing in deep layers. Subsequently, an adaptive Long Short-Term Memory (LSTM) module fuses structural information from local to global scales. Finally, a cross-attention module is designed to explicitly model drug-drug interactions and identify key chemical substructures. Extensive experiments on five public benchmark datasets demonstrate that ResGIN-Att achieves competitive performance, comparing favorably against key baseline methods while exhibiting promising generalization capability and robustness.