HA-DMF: Hybrid Attention-Based Deep Matrix Factorization for Drug Combination Synergy Prediction

Kanker wordt zelden verslagen door een enkel wapen. In het complexe landschap van een tumor raakt een enkel medicijn vaak een doelwit dat de kankercellen snel leren te omzeilen, of het beschadigt gezond weefsel zo ernstig dat de behandeling gestopt moet worden. Om dit te overwinnen, wenden artsen zich vaak tot combinatietherapie, waarbij twee of meer medicijnen tegelijkert worden gebruikt. Het doel is om paren te vinden die op een speciale manier samenwerken: wanneer het gecombineerde effect groter is dan de simpele som van hun individuele effecten. Wetenschappers noemen dit "synergie". Het is het verschil tussen twee soldaten die een strijd leveren en twee soldaten die vechten als één, onstuitbare eenheid. Het vinden van deze krachtige paren is echter een monumentale taak. Met duizenden beschikbare medicijnen en honderden verschillende soorten kankercellen is het aantal mogelijke combinaties zo groot dat het testen van ze allemaal in een laboratorium eeuwen zou duren en miljarden dollars zou kosten.

Omdat fysiek testen zo traag en duur is, hebben onderzoekers zich tot computers gekeerd om als een filter te fungeren. Ze bouwen wiskundige modellen om te voorspellen welke medicijnparen het beste samen zullen werken voordat er een enkele druppel vloeistof in een laboratorium wordt gemengd. Jarenlang hebben deze computermodellen vertrouwd op twee soorten informatie: de chemische structuur van de medicijnen en de genetische opbouw van de kankercellen. Maar deze computermodellen hebben moeite gehad met het generaliseren. Ze presteren vaak goed bij het voorspellen van resultaten voor medicijnen en cellen die ze al eerder hebben gezien, maar ze falen jammerlijk wanneer ze worden gevraagd de uitkomsten voor geheel nieuwe medicijnen of nieuwe soorten kankercellen te voorspellen. De uitdaging was om een systeem te creëren dat niet alleen het verleden onthoudt, maar werkelijk begrijpt hoe medicijnen en cellen interageren op een manier die van toepassing is op het onbekende.

Een team van onderzoekers van de Universiteit van Teheran en de Aalto Universiteit in Finland heeft een nieuwe aanpak voor dit probleem voorgesteld, die zij HA-DMF noemen. Hun werk suggereert dat het voorspellen van medicijnsynergie niet alleen gaat over het matchen van kenmerken, zoals het passen van een sleutel in een slot, maar over het leren van de verborgen patronen van interactie tussen het medicijnpaar en de specifieke cellulaire omgeving. Om dit te doen, bouwden ze een hybride systeem dat twee verschillende manieren van denken combineert. Het eerste deel van hun systeem kijkt naar de ruwe gegevens van eerdere experimenten om de "latente" of verborgen regels te leren van hoe medicijnen samen gedrag vertonen. Het tweede deel brengt gedetailleerde biologische informatie over de medicijnen en de cellen in gebruik, met behulp van een speciaal type aandachtmechanisme (attention mechanism) om te beslissen welke stukken informatie het belangrijkst zijn voor een specifieke situatie.

De onderzoekers testten hun systeem op een enorme collectie gegevens uit de DrugComb-database, die resultaten bevat van meer dan 144.000 medicijnexperimenten in 211 verschillende kankercellijnen. Ze voedden de computer een specifiek type informatie over de medicijnen: een gedetailleerde chemische vingerafdruk die de vorm van het molecuul in kaart brengt, en een geleerde representatie die het gedrag van het medicijn vastlegt op basis van enorme hoeveelheden ongelabelde chemische data. Voor de kankercellen gebruikten ze, in plaats van de volledige, ruisgevoelige set genetische instructies, een compacte set signalen van microRNA, wat kleine moleculen zijn die fungeren als regulatoren voor hoe genen aan- of uitgeschakeld worden. Deze keuze was weloverwogen; de onderzoekers ontdekten dat deze kleinere, regulerende signalen een duidelijker beeld gaven van de staat van de cel zonder de verwarring van te veel extra data.

De kern van hun innovatie ligt in de manier waarop de computer deze informatie verwerkt. In plaats van alle gegevens simpelweg op elkaar te stapelen, gebruikt het systeem een "deep matrix factorization"-module. Stel je dit voor als een manier om de uitgebreide geschiedenis van medicijnexperimenten te organiseren in een compacte kaart van verborgen relaties. De computer leert medicijnen en cellen in een gedeelde ruimte te plaatsen waar degenen die zich vergelijkbaar gedragen, dicht bij elkaar liggen. Dit stelt het model in staat om onderbouwde gissingen te doen over nieuwe combinaties op basis van de patronen die het al heeft geleerd. Maar het model stopt daar niet. Het gebruikt directionele aandachtmechanismen om te kijken naar de specifieke chemische kenmerken van de medicijnen en de regulerende signalen van de cel. Het stelt de vraag: voor dit specifieke medicijnpaar in deze specifieke cel, welke chemische details en welke cellulaire signalen drijven de synergie werkelijk aan? Hierdoor kan het model zijn focus aanpassen en de meest relevante informatie voor elk uniek scenario zwaarder laten wegen.

Toen de onderzoekers hun systeem HA-DMF testten tegen andere leidende methoden, waren de resultaten duidelijk. In de meest standaard test, waarbij het model resultaten voorspelt voor medicijncombinaties die het nog niet heeft gezien maar waarbij de individuele medicijnen en cellen bekend zijn, bereikte het nieuwe model een correlatie van 0,832 met de werkelijke experimentele resultaten. Dit was aanzienlijk hoger dan de op één na beste methode, die rond de 0,70 scoorde. Belangrijker nog, het nieuwe model maakte minder grote fouten. Het voorspelde de sterkte van de synergie met een gemiddelde fout van 5,7 punten, vergeleken met 7,35 voor de op één na beste methode. Deze precisie is van belang omdat in de echte wereld een klein verschil in een voorspelde score kan bepalen of een medicijnpaar wordt geselecteerd voor duur laboratoriumonderzoek of wordt verworpen.

De onderzoekers duwden het model ook tot het uiterste om te zien hoe goed het nieuwe situaties kon aan kunnen. Ze testten het op scenario's waarbij volledige medicijnparen nieuw waren, waarbij volledige cellijnen nieuw waren, en zelfs waarbij een enkel medicijn in het paar nog nooit eerder was gezien. Zoals verwacht daalde de prestatie van het model naarmate de taken moeilijker werden, wat een natuurlijke beperking is van elk voorspellend systeem. Desondanks presteerde HA-DMF nog steeds beter dan de andere methoden in het correct rangschikken van de combinaties, zelfs wanneer het niet in staat was om de exacte getallen met hoge precisie te voorspellen. Dit suggereert dat het model een robuust begrip heeft geleerd van de interactieregels die naar nieuwe contexten kan worden overgedragen.

Een nadere blik op de componenten van het model onthulde dat elk onderdeel een vitale rol speelde. Wanneer de onderzoekers de geleerde patronen uit de ruwe data verwijderden, daalde de nauwkeurigheid van het model aanzienlijk, wat bewees dat leren van eerdere experimenten essentieel is. Wanneer ze de chemische vingerafdrukken of de regulerende signalen verwijderden, daalde de prestatie ook, wat aantoont dat de biologische details de noodzakelijke context bieden. Misschien wel het meest verrassend was dat wanneer ze het "aandachtmechanisme" verwijderden dat het model in staat stelt om op specifieke details te focussen, de resultaten verslechterden. Dit bevestigde dat het vermogen om verschillende stukken informatie selectief te wegen niet slechts een extraatje is, maar een fundamentele vereiste voor nauwkeurige voorspelling. Het model behandelt niet alle medicijnen en cellen op dezelfde manier; het leert de juiste signalen te horen voor de juiste situatie.

De studie onderzocht ook hoe het model zich gedroeg bij verschillende niveaus van medicijninteractie. Het presteerde zeer goed in het middensegment, waar de meeste medicijncombinaties vallen, en voorspelde accuraat of ze een zwak of een matig effect zouden hebben. Echter, net als veel systemen, had het de neiging om conservatief te zijn bij het voorspellen van de meest extreme gevallen. Wanneer een medicijnpaar in het laboratorium een zeer sterke synergetische werking vertoonde, voorspelde het model vaak een sterk effect, maar iets lager dan wat er in werkelijkheid werd waargenomen. De onderzoekers merken op dat dit een veiliger resultaat is dan het tegenovergestelde. Bij de ontdekking van medicijnen is het beter om een krachtige combinatie iets te onderschatten en deze verder te onderzoeken, dan een zwakke combinatie te overschatten en middelen te verspillen aan een doodlopend spoor.

Het werk van Abbasi, Rousu en Gharaghani suggereert een verschuiving in de manier waarop we naar medicijnontdekking kijken. In plaats van het probleem te zien als simpelweg het matchen van de kenmerken van een medicijn met de kenmerken van een cel, laten zij zien dat het effectiever is om het te behandelen als een leerprobleem waarbij het systeem de verborgen regels van interactie ontdekt. Door het vermogen om te leren van eerdere gegevens te combineren met een diep begrip van moleculaire structuur en cellulaire regulatie, biedt HA-DMF een praktisch hulpmiddel om te prioriteren welke medicijncombinaties de moeite waard zijn om te testen. Hoewel het geen magische oplossing is die elke uitkomst perfect kan voorspellen, biedt het een betrouwbaar kompas om te navigeren door de uitgestrekte en complexe oceaan van mogelijke kankerbehandelingen, waardoor wetenschappers hun inspanningen kunnen richten op de combinaties die de grootste kans van slagen hebben.