Pharmacogenomic Knowledge Graph Augmentation for Graph Neural Network-Based Drug-Drug Interaction Prediction

Technische Samenvatting: Augmentatie van een Farmacogenomische Kennisgraaf voor GNN-gebaseerde DDI-voorspelling

Probleemstelling
Huidige Graph Neural Network (GNN)-benaderingen voor de voorspelling van geneesmiddelinteracties (Drug-Drug Interactions, DDI) vertrouwen uitsluitend op moleculaire structuren die zijn gecodeerd als uit SMILES afgeleide grafen. Een voorafgaande studie in deze serie heeft vastgesteld dat de prestaties van modellen worden begrensd door een "Informatieplafond" ($I(S, L)$), waarbij de structurele informatie-inhoud van de trainingslabels de voorspellende capaciteit beperkt, ongeacht de architecturale complexiteit. Specifiek, bij evaluatie op structureel onbekende geneesmiddelen (drug-level split), daalt de prestatie aanzienlijk vergeleken met pair-level benchmarks; een kloof die door louter structurele verfijningen niet overbrugd kan worden. Deze studie onderzoekt of het integreren van farmacogenomische voorkennis—specifiek de relaties met Cytochroom P450 (CYP) enzymen uit de PharmGKB-database—dit plafond gedeeltelijk kan verlagen door context van metabole paden te bieden die onafhankelijk is van de moleculaire structuur.

Methodologie
De studie stelt een met een Knowledge Graph (KG) geaugmenteerde GNN-architectuur voor die expliciete farmacogenomische kenmerken direct in de moleculaire embedding integreert.

• Kenmerkextractie: Annotaties voor vier klinisch relevante CYP-isovormen (CYP2D6, CYP3A4, CYP2C19, CYP2C9) werden geëxtraheerd uit PharmGKB. Voor elk geneesmiddel werd een 12-dimensionale binaire featurevector geconstrueerd, die de rollen als substraat, inhibitor en inducer voor elke isoform codeert. Deze vector wordt geconcateneerd aan de moleculaire embedding. Niet-geannoteerde geneesmiddelen ontvangen een nul-vector.
• Architectuur: Het model breidt een tweestaps-trainingsprotocol uit werkzaamheden uit het verleden uit.
  • Fase 1: Een met KG geaugmenteerde cross-attention encoder wordt getraind op de gecombineerde moleculaire embedding en de CYP-featurevector. Deze fase wordt onafhankelijk geoptimaliseerd voor zowel binaire interactiedetectie als DDI-type classificatie.
  • Fase 2: De gewichten uit Fase 1 worden bevroren, en een fysieke edge-interactiegraaf (die waterstofbindingen en elektrostatische complementariteit modelleert) wordt getraind.
• Datasets en Splits: Experimenten maakten gebruik van de SSI-DDI dataset (38.337 paren) en de Tox21 benchmark (8.014 verbindingen). Evaluatie vond plaats onder twee split-strategieën:
  • Pair-level: Willekeurige toewijzing van geneesmiddelparen (80% training, 20% test).
  • Drug-level: 20% van de unieke geneesmiddelen wordt volledig buiten de training gehouden, waarbij alle paren die deze geneesmiddelen bevatten aan de testset worden toegewezen om generalisatie naar onbekende verbindingen te meten.
• Validatie: Strikt uitgesloten verbindingen (acetylsalicylzuur en warfarine) werden uit alle trainings- en evaluatiesplits verwijderd om te dienen als mechanistische validatiegevallen.

Belangrijkste Bijdragen

1. Feature Pipeline: Ontwikkeling van een pipeline die klinische variant-annotaties, richtlijnteksten en relatievlaggen uit PharmGks in een uniforme 12-dimensionale CYP-featurevector per molecuul integreert.
2. Geaugmenteerde Architectuur: Een GNN-ontwerp dat farmacogenomische annotaties behandelt als expliciete binaire kenmerken die worden geconcateneerd aan moleculaire embeddings, waarbij interpreteerbaarheid en compatibiliteit met structuurgebaseerde architecturen behouden blijven.
3. Empirische Evaluatie: Een rigoureuze vergelijking van structurele baselines met KG-geaugmenteerde modellen onder zowel pair-level als drug-level splits, waarbij de "AUC-inflatie" (het prestatieverschil tussen de splits) wordt gekwantificeerd als een metriek voor de grenzen van generalisatie.
4. Toxiciteitsextensie: Toepassing van de augmentatiestrategie op de Tox21 multi-task toxiciteitsbenchmark om de afhankelijkheid van het augmentatie-effect van de annotatie-dekking te onderzoeken.

Resultaten

• DDI-type Classificatie: KG-augmentatie leverde substantiële verbeteringen op bij het classificeren van specifieke DDI-typen onder pair-level splits. De macro-gemiddelde F1-score steeg van 0,241 (structurele baseline) naar 0,532. Dit suggereert dat CYP-rollen significante mechanistische variatie coderen die relevant is voor de 86 interactietypes.
• Binaire Interactiedetectie: De verbeteringen waren marginaal. De pair-level AUC steeg licht van 0,865 naar 0,892, terwijl de drug-level AUC daalde naar 0,639. De AUC-inflatie (verschil tussen pair en drug splits) bleef hoog op 0,224, vergelijkbaar met de baseline van 0,250, wat aangeeft dat het Informatieplafond voor de existentie van binaire interacties voortduurt.
• Mechanistische Validatie: Op strikt uitgesloten verbindingen verbeterde KG-augmentatie de voorspellingskansen voor CYP2C9-gemedieerde interacties aanzienlijk (bijv. de waarschijnlijkheid van Warfarine + Fluconazol steeg van 0,033 naar 0,586). Farmacodynamisch gemedieerde interacties (bijv. Warfarine + Ibuprofen) bleven detecteerbaar via structurele kenmerken alleen.
• Tox21 Extensie: Op de Tox21 benchmark zorgde KG-augmentatie voor een bescheiden gemiddelde AUC-verbetering van +0,018, ondanks een zeer lage CYP-dekking (0,7%). Dit bevestigt dat het augmentatie-effect afhankelijk is van de annotatie-dekking. Het toevoegen van ChEMBL dosis-kenmerken (88% dekking) verbeterde de prestaties niet ten opzichte van de CYP-augmentatie alleen.
• Fysieke Edge Redundantie: In tegen tegenstelling tot het model met enkel structuur, leidde het toevoegen van fysieke edge-verfijning (Fase 2) aan het KG-geaugmenteerde model tot een verslechtering van de prestaties (F1-macro daalde van 0,532 naar 0,258 in pair-level splits). Dit suggereert een informatieve redundantie tussen CYP-priors en fysiek afgeleide interactie-edges.

Betekenis en Claims
Het artikel concludeert dat farmacogenomische voorkennis de discriminatie van specifieke DDI-typen verbetert, maar het fundamentele Informatieplafond dat de binaire interactiedetectie en generalisatie naar onbekende geneesmiddelen beperkt, niet overwint. De studie valideert dat structurele informatie alleen onvoldoende is voor bepaalde mechanistische voorspellingen, maar zelfs rijke farmacogenomische priors kunnen het plafond niet volledig doorbreken wanneer de labelinformatie een gebrek aan structureel signaal vertoont.

De bevindingen ondersteunen een verschuiving naar een multimodaal framework voor toekomstig werk, waarbij wordt geargumenteerd dat expliciete farmacogenomische kenmerken te prefereren zijn boven latente kennisgraaf-embeddings wanneer de kwaliteit van de annotaties heterogeen is. De auteurs identificeren drie specifieke methodologische extensies voor vervolgstudies:

1. Gezamenlijke Training: Het trainen van een enkele Fase 1 encoder voor zowel binaire als multi-class taken om de degradatie van de type-classificatiecapaciteit te voorkomen wanneer gewichten worden bevroren voor Fase 2.
2. Bewijs-gewogen Codering: Het implementeren van een logaritmisch weegschema om de kwaliteit van annotaties (bijv. Niveau 1A versus Niveau 3) te differentiëren zonder de dekking op te offeren.
3. Directe Vergelijking: Het vergelijken van expliciete featurevectoren met latente KG-embeddings (bijv. TransE, RotatE) onder equivalente dekkingsomstandigheden.

De studie benadrukt dat de geobserveerde beperkingen niet te wijten zijn aan de modelcapaciteit, maar aan de informatie-inhoud die inherent is aan de trainingslabels, wat de noodzaak voor complementaire databronnen naast de moleculaire structuur versterkt.