H3CDR：一种由异构和同构混合图神经网络驱动的抗癌药物反应预测模型

《IEEE Transactions on Computational Biology and Bioinformatics》：H3CDR : An Anti-cancer Drug Response Prediction Model Driven by Heterogeneous and Homogeneous Hybrid Graph Neural Network

癌症治疗反应预测需解决异质特征提取难题。本文提出H3 CDR混合图神经网络模型，通过融合多组学数据构建异构-同构混合图，采用多分支网络分别提取细胞系与药物特征，有效捕捉两者同质特征与深层异质关联。在GDSC和CCLE数据集验证中，AUC达0.8772，AUPRC达0.8819，显著优于传统方法。

　　

摘要：

癌症是一种复杂且异质性强的疾病，即使是患有相同类型癌症的患者，对治疗方案的反应也可能不同。根据癌症特征预测药物对癌症的治疗效果是精准肿瘤学的一个关键方面。目前，大多数抗癌药物反应（CDR）预测方法依赖于从细胞系-药物二元组合中提取特征。然而，这些方法往往无法充分捕捉药物和细胞系的特征，忽略了细胞系和药物的共性特征以及它们与深层异质特征之间的关联。为了解决这些挑战，我们提出了一个新颖的预测框架，该框架利用了一种名为H CDR的混合图神经网络。H CDR通过融合癌细胞系和药物的多组学数据来学习它们的相似性特征。此外，还采用了一个多分支网络从细胞系和药物中提取特征，从而能够识别潜在的特征。在GDSC和CCLE数据库上的大量实验表明了我们模型的优越性。通过五折交叉验证评估，H CDR在GDSC数据集上的ROC曲线下面积（AUC）达到了0.8772，精确度-召回率曲线下面积（AUPRC）达到了0.8819。