Aug, 2024

可控边类型特定的多关系图神经网络解释在药物反应预测中的应用

HTML
PDF
TL;DR本研究针对现有图神经网络解释算法忽视生物学重要性的问题，提出了CETExplainer，这是一种新颖的后验可解释性算法，能够提供可控的边类型特定加权机制。通过实证分析，我们发现CETExplainer在药物反应预测中的稳定性和解释质量显著优于现有的领先算法，为癌症药物预测提供了强大的工具。
发现论文，激发创造
  • 药物发现中的图级表示学习

    本文提出了一种新的方法，使用具有所有节点连接的虚拟超级节点来表示整张图并改进图像运算以帮助超级节点学习整体特征，同时采用集中损失来处理药物数据集中的类别不平衡问题。该方法显著提高了小分子属性预测的性能。

    Sep, 2017

  • 基于多模态注意力卷积编码器的可解释抗癌化合物敏感性预测

    提出了一种基于多模态注意力卷积编码器的新型架构，用于解释性预测抗癌化合物的敏感性，通过化合物结构，肿瘤基因表达谱和蛋白质相互作用网络中的先前知识进行建模，该模型在多模态药物敏感性预测方面表现出卓越的性能，具有解释性，可以开发个性化治疗方法以及进行候选药物的评估。

    Apr, 2019

  • 基于Transformer的深度网络用于预测癌症药物反应

    本研究提出了一种基于transformer的神经网络TCR来预测抗癌药物的反应，利用注意力机制学习了药物子结构和分子签名之间的相互作用，同时设计了双重损失函数和交叉采样策略以提高预测能力，实验结果表明TCR优于其他方法，在独立的体外实验和体内实验中表现出显著的预测效果，具有癌症药物再利用和精准肿瘤治疗的潜在价值。

    Jul, 2022

  • 利用多种分子图表示增强化合物性质和活性预测中的模型学习和解释

    本研究提出了多种分子图表示法，探究了它们对模型学习和解释的影响，结果显示将原子图表示和减少的分子图表示相结合可以产生具有前途的模型性能。 此外，解释结果可以提供与背景知识一致的重要功能和潜在子结构。这些多个分子图表示和解释分析可以提高模型理解，并促进药物发现相关应用。

    Apr, 2023

  • 使用基于流的解释方法揭示GNNs模型的洞见

    本研究提出了一种叫做 XInsight 的解释性算法来生成图神经网络的模型解释，以便在高风险应用中（例如药物发现）识别错误并发现新知识。通过对 MUTAG 数据集和一个合成数据集进行实验，证明了 XInsight 的实用性，并且 XInsight 能够生成一组多样化的解释，这有助于发现模型中的隐藏关系并提供有价值的进一步分析指导。

    Jun, 2023

  • 图神经网络和神经微分方程在肿瘤动态预测中的融合

    使用异质图编码器结合神经普通微分方程的方法，在个性化肿瘤动态预测方面取得了显著改进，表明该方法在临床前研究中具有潜在应用。

    Oct, 2023

  • 肿瘤与药物响应的可解释模型中的跨领域特征解缠

    通过域适应网络和特征解耦，本文提出了一种建模肿瘤微环境对临床药物效应影响的方法，并在基准数据集上验证了其在预测临床药物响应和解析肿瘤微环境影响方面的优越性能。

    Nov, 2023

  • 对比学习下的图形全局概念解释

    通过从图神经网络的预测中提取全局概念解释的方法，我们提出了一种超越提高信任和验证模型公平性的xAI实践，还能够在几乎没有人类先验直觉的应用领域中发现有价值的科学见解，从而对结构-性质关系的任务进行更深入的理解。

    Apr, 2024

  • DRExplainer：药物反应预测中的可量化解释性与有向图卷积网络

    本研究解决了在癌细胞系药物反应预测中整合多种生物信息及预测方向性反应的挑战。提出了一种新颖的可解释预测模型DRExplainer，通过利用有向图卷积网络构建的有向二部网络，实现了更精确的药物反应预测。研究表明，DRExplainer在模型解释性和预测效果上均优于现有方法，具有重要的临床应用价值。

    Aug, 2024

  • 多关系图神经网络中可控边类型特定解释的癌症药物反应预测

    本研究解决了现有图解释算法缺乏生物学意义的问题，限制了其在癌症药物反应预测中的应用。提出的CETExplainer算法采用可控的边类型特定加权机制，结合子图与预测之间的互信息，提供生物学上有意义的细粒度解释。实证分析表明，CETExplainer在解释质量和稳定性上相较于现有算法具有显著提升，成为癌症药物预测的重要工具。

    Aug, 2024