本技术适用于人工智能领域,具体是一种可解释多关系图神经网络的药物反应预测方法,包括以下步骤:构建包含细胞系和药物节点,以及敏感性、抗性、药物相似性、细胞相似性关系类型的有向异质图;采用R‑GCN模型处理有向异质图,通过节点特征聚合更新节点表示,生成正负样本进行训练,预测潜在的细胞系与药物间的链接关系;结合原始图与预测结果生成计算图,提取待解释边邻域图,利用可优化掩码和边类型加权机制,通过最大化互信息与结构评分优化得到解释子图,从互信息和结构评分两方面对解释过程进行定义。本发明运用融入注意力机制的R‑GCN模型进行链接预测,并利用掩码和自适应加权机制得到解释子图,从多方面清晰解释预测结果的生物学机制。
背景技术
在精准医疗领域,癌症药物反应CDR的预测是实现个性化治疗方案的关键。
近年来,图神经网络GNNs在生物信息学领域的CDR预测任务中显示出潜力,基于GNNs的预测模型如MOFGCN和DualGCN,虽在CDR预测方面取得了一定成果,但未充分重视可解释性,如“黑箱”运作一样,医生难以依据其预测理解药物对患者的作用原理,无法制定精准个性化治疗方案;患者也因不明白预测依据而可能质疑治疗方案,降低依从性。这种缺乏可解释性的问题阻碍了模型在临床实践中的有效应用,限制了其为精准医疗提供有力支持的能力。
因此,现有技术的癌症药物反应CDR的预测中,由于实际操作和经济因素的限制,对每位患者进行广泛的药物测试是不切实际的,因此,开发能够准确预测CDR的计算模型成为了临床实践中的一个迫切需求。现有的预测方法存在显著缺陷,包括模型的黑箱特性和对复杂生物网络关系的不充分理解等问题。此外,现有方法未能充分利用生物信息学中特定类型边的重要性,且在实际数据集中缺乏明确的基准GT,难以评估解释的有效性。
实现思路