Joint Learning of Drug-Drug Combination and Drug-DrugInteraction via Coupled Tensor-Tensor Factorization with SideInformation

إليك ملخص تقني مفصل للورقة البحثية بعنوان "التعلم المشترك لتآزر الأدوية وتفاعلات الأدوية الضارة عبر تفكير الموتر المزدوج مع المعلومات الجانبية" (SI-ADMM).

1. تعريف المشكلة

تتناول الورقة تحديين حاسمين في علم الصيدلة:

1. تآزر الأدوية (التركيبات): تحديد أزواج الأدوية الفعالة التي تعمل معاً لعلاج أمراض محددة.
2. التفاعلات الدوائية الضارة (DDIs): التنبؤ بالتفاعلات الضارة بين الأدوية التي تسبب آثاراً جانبية.

التحديات الرئيسية:

• ندرة البيانات: تعتبر الارتباطات المعروفة بين (دواء-دواء-مرض) وملفات (DDI) نادرة للغاية في قواعد البيانات الواقعية.
• الاعتماد على السياق: تعتمد نتائج التفاعل بشكل كبير على سياق المرض المحدد وآلية التفاعل.
• النمذجة المنعزلة: تعالج الطرق الحالية عادةً التنبؤ بالتآزر والتنبؤ بـ DDI كمسائل منفصلة، متجاهلةً الآليات البيولوجية المشتركة والعوامل الكامنة بينهما.
• البداية الباردة (الأدوية الجديدة): يصعب التنبؤ بتفاعلات الأدوية حديثة التطوير التي لا تملك بيانات تفاعل تاريخية باستخدام النماذج القياسية.

يقترح المؤلفون إطار عمل للتعلم المشترك لاستعادة المدخلات المفقودة في موترين مقترنين في آن واحد: موتر (دواء-دواء-مرض) ($\mathcal{X}$) و موتر (دواء-دواء-تفاعل) ($\mathcal{Y}$)، مع الاستفضاء من المعلومات الجانبية المساعدة للتخفيف من حدة الندرة.

2. المنهجية: SI-ADMM

تدمج الطريقة المقترحة، SI-ADMM (المعلومات الجانبية - طريقة التدرج المتردد لمتعدد المعاملات)، تفكيك الموتر المقترن مع معلومات جانبية متعددة الأوجه.

أ. صياغة المشكلة

• الموترات:
  • $\mathcal{X} \in \mathbb{R}^{n \times n \times m}$: موتر (دواء-دواء-مرض) (التآزر).
  • $\mathcal{Y} \in \mathbb{R}^{n \times n \times t}$: موتر (دواء-دواء-تفاعل ضار) (التفاعلات الضارة).
  • يتشاركان في نفس أوضاع الأدوية ($n$ من الأدوية)، مما يسمح بتمثيلات كامنة مشتركة.
• الهدف: استعادة الموترات الكاملة $\mathcal{X}$ و $\mathcal{Y}$ من الملاحظات غير المكتملة $\mathcal{T}$ و $\mathcal{O}$.

ب. تفكيك الموتر المقترن

يستخدم المؤلفون تفكيك INDSCAL (وهو متغير متماثل لتفكيك CP).

• العوامل الكامنة المشتركة: مصفوفة عامل الدواء الكامنة $U$ مشتركة عبر كلا الموترين.
• التفكيك:
  • $\mathcal{X} \approx \sum_{r=1}^R u_r \circ u_r \circ v_r$
  • $\mathcal{Y} \approx \sum_{r=1}^R u_r \circ u_r \circ w_r$
  • حيث يمثل $u_r$ عوامل الدواء، و $v_r$ عوامل المرض، و $w_r$ عوامل نوع التفاعل الضار (DDI).

ج. دمج المعلومات الجانبية (التعلم متعدد الأوجه)

لمعالجة الندرة، يدمج النموذج $n_a$ من أوجه المعلومات الجانبية للأدوية (مثل التركيب الكيميائي، الآثار الجانبية، ملفات الأهداف، ودرجات IC50) المنظمة كمصفوفات تشابه $S^{(i)}$.

• مبدأ "الذنب بالارتباط" (Guilt-by-Association): يفترض النموذج أن الأدوية ذات المعلومات الجانبية المتشابهة يجب أن تمتلك عوامل كامنة متشابهة.
• تفكيك المعلومات الجانبية: يتم تفكيك كل مصفوفة تشابه $S^{(i)}$ إلى مصفوفة كامنة $U^{(i)}$.
• قيد الاقتران: يتم تقييد العوامل الكامنة من المعلومات الجانبية ($U^{(i)}$) لتكون قريبة من عامل الدواء الرئيسي $U$ (بواسطة مصفوفة قياس $Q^{(i)}$).

د. دالة الهدف (Optimization Objective)

تقلل دالة الهدف من خطأ إعادة البناء لكلا الموترين ومعلومات الجانب، مع مراعاة قيود عدم السالبية:
$$\min f = a \|\mathcal{X} - \llbracket U, U, V \rrbracket\|_F^2 + b \|\mathcal{Y} - \llbracket U, U, W \rrbracket\|_F^2 + \sum_{i=1}^{n_a} \alpha_i \left( \|A^{(i)} \circ (S^{(i)}_A - C^{(i)}U^{(i)T})\|_F^2 + \|U^{(i)}Q^{(i)} - U\|_F^2 \right)$$

• $a, b, \alpha_i$: أوزان توازن بين مساهمات الموتر والمعلومات الجانبية.
• $A^{(i)}$: قناع ثنائي للقيم المفقودة في المعلومات الجانبية.

هـ. خوارزمية SI-ADMM

لحل مشكلة التحسين غير الخطية عالية الرتبة بكفاءة، طور المؤلفون خوارزمية ADMM معدلة:

1. تقسيم المتغيرات: إدخال متغيرات مساعدة $D$ و $C^{(i)}$ لفصل الحدود من الدرجة الرابعة، مما يحول المشكلة إلى الدرجة الثانية.
2. لاغرانج الموسع (Augmented Lagrangian): بناء دالة لاغرانج موسعة جزئياً للتعامل مع القيود ($D=U$, $C^{(i)}=U^{(i)}$).
3. التحديثات المتبادلة: تحديث المصفوفات الكامنة ($U, V, W, U^{(i)}$) وضرباء لاغرانج بشكل تكراري باستخدام حلول مغلقة مشتقة من مشتقات المصفوفات.
4. التقارب: ضمان التقارب عبر تحديثات بارامتر العقوبة التكيفية ($\rho, \eta$).

3. المساهمات الرئيسية

1. إطار عمل موحد: أول نموذج يجمع بين نمذجة تآزر الأدوية والتنبؤ بالتفاعلات الضارة (DDI) باستخدام تفكيك الموتر المقترن، مستغلاً العوامل الكامنة المشتركة للأدوة.
2. خوارزمية SI-ADMM: خوارزمية تحسين فعالة تدمج المعلومات الجانبية متعددة الأوجه للتعامل مع الندرة الشديدة في البيانات والقيم المفقودة في البيانات المساعدة.
3. تنبؤ قوي للأدوية الجديدة: أظهر أداءً فائقاً في سيناريوهات "البداية الباردة" حيث يتم حجب جميع التفاعلات لدواء معين، وهو استخدام واقعي حرج.
4. تقييم شامل: تم التحقق من صحة النموذج على مجموعات بيانات واسعة النطاق من DrugBank و CDCDB و SIDER و PubChem، متفوقاً على أفضل النماذج المرجعية (Baselines).

4. النتائج التجريبية

مجموعات البيانات

• المصادر: DrugBank, CDCDB, SIDER, PubChem, BindingDB.
• النطاق: 1,070 دواءً فريداً، 238 نوع مرض، 81 نوع تفاعل (DDI).
• الندرة: عالية جداً (0.0025% للموتر $\mathcal{X}$، و 0.106% للموتر $\mathcal{Y}$).

النماذج المرجعية (Baselines)

تمت المقارنة مع:

• CP: تفكيك الموتر القياسي (بدون معلومات جانبية).
• TF-AI: تفكيك الموتر مع معلومات مساعدة.
• TDRC: تفكيك الموتر مع قيود علاقاتية.
• CTF-DDI: تفكيك الموتر المقيد للتفاعلات الدوائية الضارة.

مقاييس الأداء

• مهمة التنبؤ العشوائي: حقق SI-ADMM أعلى قيم لـ AUC و AUPR لكلا الموترين.
  • الموتر X (التآزر): AUPR بنسبة 93.97% (مقابل 91.49% لأفضل نموذج مرجعي).
  • الموتر Y (DDI): AUC بنسبة 98.21% (مقابل 97.85% لأفضل نموذج مرجعي).
• التنبؤ بالدواء الجديد (البداية الباردة):
  • حقق SI-ADMM معدل إصابة (Hit Rate@100) بنسبة 55.20% لـ DDIs، متفوقاً بشكل كبير على أقرب منافس (CTF-DDI بنسبة 33.60%).
  • فشل نموذج CP القياسي تماماً في هذا الإعداد (أعطى نواقل صفرية) نظراً لافتقاره للمعلومات الجانبية.
• التحليل الهيكلي: أظهرت الخرائط الحرارية للموترات المجمعة أن SI-ADMM نجح في استعادة الأنماط التفاعلية العالمية (الكتل والنطاقات الكثيفة) رغم الندرة الشديدة.
• دراسات الحالة: شملت أفضل التنبؤات تركيبات منطقية سريرياً (مثل إيبوبروفين/أسيتامينوفينن لأمراض المفاصل) وتفاعلات ضارة معروفة (مثل وارفارين/أسينوكومارول الذي يزيد من نشاط مضادات التخثر).

5. الأهمية والأثر

• الأهمية السريرية: القدرة على التنبؤ بكل من التركيبات المفيدة والتفاعلات الضارة في آن واحد توفر رؤية أكثر شمولية لسلامة وفعالية الأدوية، مما يدعم اتخاذ القرار السريري مباشرة.
• التعامل مع الندرة: من خلال الاستفادة الفعالة من المعلومات الجانبية (الكيميائية والبيولوجية والفينوتيبية)، يتغلب النموذج على عقبة "ندرة البيانات" الشائعة في تنقيب البيانات الطبية الحيوية.
• اكتشاف الأدوية الجديدة: يشير الأداء القوي في وضع "الدواء الجديد" إلى أن الطريقة قابلة للتطبيق في فحص المركبات الناشئة حيث لا توجد بيانات تفاعل تاريخية.
• الاتجاهات المستقبلية: يخطط المؤلفون لدمج الشبكات العصبية الرسومية (GNNs) لالتقاط العلاقات غير الخطية في الهياكل الجزيئية والشبكات غير المتجانسة، مما يعزز القدرة التنبؤية.

في الختام، يمثل SI-ADMM تقدماً كبيراً في علم الصيدلة الحسابي، حيث يقدم حلاً قوياً وقابلاً للتفسير وعالي الأداء للتنبؤ المشترك بالعلاجات الدوائية وملفات السلامة.