GraphPINE: Graph Importance Propagation for Interpretable Drug Response Prediction

Sintesi Tecnica: GraphPINE: Propagazione dell'Importanza nei Grafi per la Predizione Interpretabile della Risposta ai Farmaci

Enunciato del Problema
La predizione della risposta ai farmaci (DRP) è una sfida critica nella medicina personalizzata, tuttavia i metodi esistenti affrontano ostacoli significativi. Gli approcci tradizionali spesso non riescono a catturare l'interazione complessa tra composti farmacologici ed entità cellulari, portando a predizioni subottimali con limitata interpretabilità. Sebbene le Reti Neurali su Grafi (GNN) siano emerse come strumenti potenti per la modellazione di dati relazionali biologici, soffrono di due limitazioni primarie nel contesto della DRP:

1. Mancanza di Priors Biologici: Molti modelli non incorporano informazioni biologiche note, come le Interazioni Farmaco-Target (DTI), risultando in predizioni che possono essere accurate ma non allineate con i meccanismi biologici consolidati.
2. Deficit di Interpretabilità: La natura "black box" dei modelli di deep learning ostacola la fiducia clinica. I metodi esistenti di spiegabilità (ad esempio, basati su gradienti, su attenzione o su valori di Shapley) analizzano tipicamente le caratteristiche post-predizione e non riescono a vincolare i risultati in base alle relazioni note tra le caratteristiche predittive o a utilizzare conoscenze a priori specifiche del dominio durante il processo di apprendimento.

Metodologia
Gli autori propongono GraphPINE (Graph Propagating Importance Network for Explanation), una nuova architettura GNN progettata per integrare il potere predittivo con la propagazione dell'importanza delle caratteristiche informata biologicamente.

• Costruzione dei Dati: Il modello utilizza una rete di interazioni gene-gene derivata da PathwayCommons, dove gli archi sono ponderati in base ai tipi di interazione (ad esempio, "catalysis-precedes", "interact-with") codificati come vettori one-hot. Le caratteristiche dei nodi sono costruite a partire da dati multi-omici (espressione genica, variazione del numero di copie, metilazione e mutazione) delle linee cellulari NCI-60.
• Inizializzazione con Conoscenza a Priori: Un differenziatore chiave è l'inizializzazione dei punteggi di importanza dei nodi ($S_{dti}$). Questi punteggi sono derivati dai dati di interazione farmaco-target attraverso cinque database (CTD, DrugBank, DGIdb, STITCH, KIBA). L'importanza iniziale è calcolata in base al conteggio trasformato in logaritmo degli articoli PubMed che menzionano congiuntamente un farmaco e un gene specifico, normalizzati in un intervallo di [0.5, 1] per le interazioni note e 0 per quelle sconosciute.
• Architettura: GraphPINE impiega un'architettura impilata di tre Layer di Propagazione dell'Importanza (IP Layer). A differenza delle GNN standard che aggiornano le caratteristiche dei nodi indipendentemente dall'importanza, il Layer IP unifica gli aggiornamenti delle caratteristiche e la propagazione dell'importanza attraverso cinque passaggi:
  1. Trasformazione delle Caratteristiche: Le caratteristiche dei nodi sono elaborate utilizzando un layer TransformerConv.
  2. Gating dell'Importanza: Viene generata una porta (gate) utilizzando una funzione sigmoide basata sulla concatenazione delle caratteristiche trasformate e dei punteggi di importanza correnti. Questa porta controlla il flusso di informazioni.
  3. Aggiornamento delle Caratteristiche: Le caratteristiche originali e trasformate sono combinate tramite la porta.
  4. Propagazione dell'Importanza: I punteggi di importanza sono aggiornati utilizzando una trasformazione apprendibile delle caratteristiche aggiornate.
  5. Decadimento e Normalizzazione: I punteggi sono aggiornati con un meccanismo di decadimento ($\alpha$) per bilanciare la conoscenza a priori con i modelli appresi, seguiti da normalizzazione e sogliatura.
• Obiettivo di Addestramento: Il modello è addestrato per predire la risposta ai farmaci (sensibile vs resistente) utilizzando la funzione di perdita Cross Entropy Binaria (BCE), combinata con un termine di regolarizzazione L1 sui punteggi di importanza per incoraggiare la sparsità e l'interpretabilità.

Contributi Chiave

1. Integrazione di Priors e Apprendimento: GraphPINE è il primo metodo ad affrontare contemporaneamente l'incorporazione di priors biologici (DTI) e il miglioramento dell'interpretabilità nella DRP. Inizializza l'importanza dei nodi con conoscenza del dominio e propaga queste informazioni durante tutto il processo di apprendimento.
2. Layer di Propagazione dell'Importanza (IP Layer): Gli autori introducono un nuovo layer che aggiorna le caratteristiche dei nodi e i punteggi di importanza congiuntamente. Questo meccanismo permette al modello di scoprire nuove relazioni mentre fonda le predizioni su interazioni biologiche note.
3. Gating Sequenziale dell'Importanza: A differenza dei metodi di gating standard delle GNN, GraphPINE utilizza un formato sequenziale simile all'LSTM per aggiornare i punteggi di importanza, distinguendosi dai metodi di gating basati sul contesto o in due passaggi presenti in lavori correlati.

Risultati Sperimentali
Il modello è stato valutato su un dataset composto da 5.181 geni e 952 farmaci, suddiviso in set di addestramento, validazione e test zero-shot (assicurando che non vi fosse sovrapposizione di farmaci o linee cellulari tra addestramento e test).

• Prestazioni Predittive: GraphPINE (in particolare la variante Graph Transformer) ha raggiunto un PR-AUC di 0,894 e un ROC-AUC di 0,796 su 952 farmaci. Questo ha superato i baseline ML tradizionali (Random Forest, LightGBM), i precedenti modelli di ricerca DRP (DeepDSC, MOFGCN) e le varianti GNN senza il layer IP.
• Studi di Ablazione: L'inclusione del layer IP ha migliorato significativamente le prestazioni su tutti i backbones GNN testati (GAT, Graph Transformer, GINE). Ad esempio, la variante GINE ha visto un aumento del PR-AUC del 12,29% quando è stato aggiunto il layer IP.
• Interpretabilità: Il modello ha identificato con successo relazioni geniche biologicamente rilevanti. In un caso studio con 9-Metossicamptotecina, il modello ha correttamente identificato il target noto TOP1 come avente l'importanza propagata più alta. Ha inoltre evidenziato relazioni indirette (ad esempio, TP53, ABCA10) coerenti con i noti meccanismi d'azione, dimostrando la capacità di catturare relazioni secondarie oltre ai target diretti.
• Analisi della Propagazione: L'analisi di 6.000 combinazioni farmaco-cellula ha mostrato che il meccanismo di propagazione ha aumentato la densità dei punteggi di importanza non nulli dallo 0,77% al 39,8%, espandendo efficacemente la rete di interazioni mantenendo un'alta similarità coseno (0,87) con la conoscenza a priori iniziale.

Significato e Affermazioni
Il paper afferma che GraphPINE offre una soluzione robusta per la DRP interpretabile bilanciando stabilità (dalla conoscenza a priori) e adattabilità (ai modelli appresi). Gli autori affermano che la capacità del modello di generare visualizzazioni delle interazioni gene-gene sotto trattamento farmacologico offre nuove prospettive sui potenziali meccanismi d'azione dei farmaci.

Gli autori posizionano GraphPINE come un framework che può essere esteso ad altri campi che coinvolgono strutture di rete complesse con importanza intrinseca dei nodi, come l'uso dei punteggi PageRank per la rilevanza delle ricerche web. Tuttavia, inquadrano modestamente il lavoro corrente come una specifica applicazione alla risposta ai farmaci antitumorali, notando che il potenziale del framework per applicazioni più ampie è una direzione per future esplorazioni piuttosto che un risultato dimostrato di questo studio. Il lavoro sottolinea che, unificando l'apprendimento delle caratteristiche e la propagazione dell'importanza, GraphPINE supera la limitazione dei metodi di spiegabilità post-hoc che mancano di conoscenza a priori complementare.