GraphPINE: Graph Importance Propagation for Interpretable Drug Response Prediction

Resumen Técnico: GraphPINE: Propagación de Importancia en Grafos para la Predicción Interpretable de la Respuesta a Fármacos

Enunciado del Problema
La predicción de la respuesta a fármacos (DRP) es un desafío crítico en la medicina personalizada, sin embargo, los métodos existentes enfrentan obstáculos significativos. Los enfoques tradicionales a menudo no logran capturar la interacción compleja entre los compuestos farmacológicos y las entidades celulares, lo que conduce a predicciones subóptimas con una interpretabilidad limitada. Si bien las Redes Neuronales de Grafos (GNN) han surgido como herramientas poderosas para modelar datos relacionales biológicos, sufren de dos limitaciones principales en el contexto de la DRP:

1. Falta de Priors Biológicos: Muchos modelos no incorporan información biológica conocida, como las Interacciones Fármaco-Objetivo (DTI), lo que resulta en predicciones que pueden ser precisas pero que no se alinean con los mecanismos biológicos establecidos.
2. Déficits de Interpretabilidad: La naturaleza de "caja negra" de los modelos de aprendizaje profundo obstaculiza la confianza clínica. Los métodos existentes de explicabilidad (por ejemplo, basados en gradientes, basados en atención o enfoques de valores de Shapley) típicamente analizan las características después de la predicción y no logran restringir los resultados basándose en relaciones conocidas entre características predictivas ni utilizan conocimiento previo específico del dominio durante el proceso de aprendizaje.

Metodología
Los autores proponen GraphPINE (Red de Propagación de Importancia en Grafos para Explicación), una arquitectura GNN novedosa diseñada para integrar el poder predictivo con la propagación de importancia de características informada biológicamente.

• Construcción de Datos: El modelo utiliza una red de interacción gen-gen derivada de PathwayCommons, donde las aristas están ponderadas por tipos de interacción (por ejemplo, "catálisis-precede", "interactúa-con") codificadas como vectores one-hot. Las características de los nodos se construyen a partir de datos multi-ómicos (expresión génica, variación en el número de copias, metilación y mutación) de las líneas celulares NCI-60.
• Inicialización con Conocimiento Previo: Un diferenciador clave es la inicialización de las puntuaciones de importancia de los nodos ($S_{dti}$). Estas puntuaciones se derivan de datos de interacción fármaco-objetivo en cinco bases de datos (CTD, DrugBank, DGIdb, STITCH, KIBA). La importancia inicial se calcula basándose en el conteo transformado logarítmicamente de artículos de PubMed que mencionan conjuntamente un fármaco y un gen específicos, normalizados a un rango de [0.5, 1] para interacciones conocidas y 0 para desconocidas.
• Arquitectura: GraphPINE emplea una arquitectura apilada de tres Capas de Propagación de Importancia (IP). A diferencia de las GNN estándar que actualizan las características de los nodos independientemente de la importancia, la Capa IP unifica las actualizaciones de características y la propagación de importancia a través de cinco pasos:
  1. Transformación de Características: Las características de los nodos se procesan utilizando una capa TransformerConv.
  2. Puerta de Importancia: Se genera una puerta utilizando una función sigmoide basada en la concatenación de características transformadas y las puntuaciones de importancia actuales. Esta puerta controla el flujo de información.
  3. Actualización de Características: Las características originales y transformadas se combinan mediante la puerta.
  4. Propagación de Importancia: Las puntuaciones de importancia se actualizan utilizando una transformación aprendible de las características actualizadas.
  5. Decaimiento y Normalización: Las puntuaciones se actualizan con un mecanismo de decaimiento ($\alpha$) para equilibrar el conocimiento previo con los patrones aprendidos, seguido de normalización y umbralización.
• Objetivo de Entrenamiento: El modelo se entrena para predecir la respuesta a fármacos (sensible vs. resistente) utilizando la pérdida de Entropía Cruzada Binaria (BCE), combinada con un término de regularización L1 sobre las puntuaciones de importancia para fomentar la dispersión y la interpretabilidad.

Contribuciones Clave

1. Integración de Priors y Aprendizaje: GraphPINE es el primer método que aborda simultáneamente la incorporación de priors biológicos (DTI) y la mejora de la interpretabilidad en la DRP. Inicializa la importancia de los nodos con conocimiento de dominio y propaga esta información a lo largo del proceso de aprendizaje.
2. Capa de Propagación de Importancia (Capa IP): Los autores introducen una capa novedosa que actualiza las características de los nodos y las puntuaciones de importancia de manera conjunta. Este mecanismo permite al modelo descubrir nuevas relaciones mientras fundamenta las predicciones en interacciones biológicas conocidas.
3. Puerta de Importancia Secuencial: A diferencia de los métodos de puerta estándar de GNN, GraphPINE utiliza un formato secuencial similar a LSTM para actualizar las puntuaciones de importancia, distinguiéndose de los métodos de puerta basados en contexto o de dos pasos encontrados en trabajos relacionados.

Resultados Experimentales
El modelo se evaluó en un conjunto de datos que comprende 5,181 genes y 952 fármacos, dividido en conjuntos de entrenamiento, validación y prueba de cero disparos (asegurando que no hubiera superposición de fármacos o líneas celulares entre el entrenamiento y la prueba).

• Rendimiento Predictivo: GraphPINE (específicamente la variante Transformer de Grafos) logró un PR-AUC de 0.894 y un ROC-AUC de 0.796 a través de 952 fármacos. Esto superó a los modelos base de ML tradicionales (Random Forest, LightGBM), a modelos de investigación previa en DRP (DeepDSC, MOFGCN) y a variantes GNN sin la capa IP.
• Estudios de Ablación: La inclusión de la capa IP mejoró significativamente el rendimiento en todos los backbones GNN probados (GAT, Transformer de Grafos, GINE). Por ejemplo, la variante GINE vio un aumento del 12.29% en el PR-AUC cuando se añadió la capa IP.
• Interpretabilidad: El modelo identificó con éxito relaciones génicas biológicamente relevantes. En un estudio de caso con 9-Metoxicamptotecina, el modelo identificó correctamente al objetivo conocido TOP1 como teniendo la importancia propagada más alta. También destacó relaciones indirectas (por ejemplo, TP53, ABCA10) consistentes con mecanismos de acción conocidos, demostrando la capacidad de capturar relaciones secundarias más allá de los objetivos directos.
• Análisis de Propagación: El análisis de 6,000 combinaciones fármaco-célula mostró que el mecanismo de propagación aumentó la densidad de puntuaciones de importancia no cero del 0.77% al 39.8%, expandiendo efectivamente la red de interacciones mientras mantenía una alta similitud coseno (0.87) con el conocimiento previo inicial.

Significado y Afirmaciones
El artículo afirma que GraphPINE ofrece una solución robusta para la DRP interpretable al equilibrar la estabilidad (proveniente del conocimiento previo) y la adaptabilidad (a los patrones aprendidos). Los autores declaran que la capacidad del modelo para generar visualizaciones de interacciones gen-gen bajo tratamiento farmacológico ofrece nuevas perspectivas sobre los posibles mecanismos de acción de los fármacos.

Los autores posicionan a GraphPINE como un marco que puede extenderse a otros campos que involucran estructuras de red complejas con importancia inherente de nodos, como el uso de puntuaciones PageRank para la relevancia en búsquedas web. Sin embargo, enmarcan modestamente el trabajo actual como una aplicación específica a la respuesta a fármacos contra el cáncer, señalando que el potencial del marco para aplicaciones más amplias es una dirección para la exploración futura en lugar de un resultado demostrado de este estudio. El trabajo enfatiza que al unificar el aprendizaje de características y la propagación de importancia, GraphPINE supera la limitación de los métodos de explicabilidad post-hoc que carecen de conocimiento previo complementario.