GraphPINE: Graph Importance Propagation for Interpretable Drug Response Prediction

Resumo Técnico: GraphPINE: Propagação de Importância em Grafos para Predição Interpretável de Resposta a Fármacos

Declaração do Problema
A predição de resposta a fármacos (DRP) é um desafio crítico na medicina personalizada, contudo, os métodos existentes enfrentam obstáculos significativos. As abordagens tradicionais frequentemente falham em capturar a interação complexa entre compostos farmacológicos e entidades celulares, levando a predições subótimas com interpretabilidade limitada. Embora as Redes Neurais em Grafos (GNNs) tenham surgido como ferramentas poderosas para modelar dados relacionais biológicos, elas sofrem de duas limitações primárias no contexto da DRP:

1. Falta de Priors Biológicos: Muitos modelos não incorporam informações biológicas conhecidas, como Interações Fármaco-Alvo (DTI), resultando em predições que podem ser precisas, mas desalinhadas com mecanismos biológicos estabelecidos.
2. Déficits de Interpretabilidade: A natureza de "caixa preta" dos modelos de aprendizado profundo prejudica a confiança clínica. Os métodos existentes de explicabilidade (por exemplo, baseados em gradientes, baseados em atenção ou abordagens de valor de Shapley) tipicamente analisam características pós-predição e falham em restringir resultados com base em relações conhecidas entre características preditivas ou em utilizar conhecimento prévio específico do domínio durante o processo de aprendizado.

Metodologia
Os autores propõem o GraphPINE (Rede de Propagação de Importância em Grafos para Explicação), uma arquitetura GNN inovadora projetada para integrar poder preditivo com propagação de importância de características informada biologicamente.

• Construção de Dados: O modelo utiliza uma rede de interação gene-gene derivada do PathwayCommons, onde as arestas são ponderadas por tipos de interação (por exemplo, "catálise-antecede", "interage-com") codificadas como vetores one-hot. As características dos nós são construídas a partir de dados multi-ômicos (expressão gênica, variação no número de cópias, metilação e mutação) das linhagens celulares NCI-60.
• Inicialização com Conhecimento Prévio: Um diferenciador chave é a inicialização das pontuações de importância dos nós ($S_{dti}$). Essas pontuações são derivadas de dados de interação fármaco-alvo em cinco bancos de dados (CTD, DrugBank, DGIdb, STITCH, KIBA). A importância inicial é calculada com base na contagem transformada por log de artigos do PubMed que mencionam conjuntamente um fármaco e um gene específicos, normalizada para uma faixa de [0,5, 1] para interações conhecidas e 0 para desconhecidas.
• Arquitetura: O GraphPINE emprega uma arquitetura empilhada de três Camadas de Propagação de Importância (IP Layers). Ao contrário das GNNs padrão que atualizam características dos nós independentemente da importância, a Camada IP unifica atualizações de características e propagação de importância através de cinco etapas:
  1. Transformação de Características: As características dos nós são processadas usando uma camada TransformerConv.
  2. Comutação de Importância: Um comutador (gate) é gerado usando uma função sigmoide baseada na concatenação de características transformadas e pontuações de importância atuais. Este comutador controla o fluxo de informações.
  3. Atualização de Características: Características originais e transformadas são combinadas através do comutador.
  4. Propagação de Importância: As pontuações de importância são atualizadas usando uma transformação aprendível das características atualizadas.
  5. Decaimento e Normalização: As pontuações são atualizadas com um mecanismo de decaimento ($\alpha$) para equilibrar o conhecimento prévio com padrões aprendidos, seguido de normalização e limiarização.
• Objetivo de Treinamento: O modelo é treinado para prever resposta a fármacos (sensível vs. resistente) usando a função de perda de Entropia Cruzada Binária (BCE), combinada com um termo de regularização L1 nas pontuações de importância para incentivar a esparsidade e a interpretabilidade.

Principais Contribuições

1. Integração de Priors e Aprendizado: O GraphPINE é o primeiro método a abordar simultaneamente a incorporação de priors biológicos (DTI) e a melhoria da interpretabilidade na DRP. Ele inicializa a importância dos nós com conhecimento de domínio e propaga essa informação ao longo de todo o processo de aprendizado.
2. Camada de Propagação de Importância (Camada IP): Os autores introduzem uma camada inovadora que atualiza características dos nós e pontuações de importância conjuntamente. Este mecanismo permite que o modelo descubra novas relações enquanto fundamenta as predições em interações biológicas conhecidas.
3. Comutação Sequencial de Importância: Diferentemente dos métodos de comutação padrão de GNN, o GraphPINE utiliza um formato sequencial semelhante ao LSTM para atualizar pontuações de importância, distinguindo-se de métodos baseados em contexto ou de dois passos encontrados em trabalhos relacionados.

Resultados Experimentais
O modelo foi avaliado em um conjunto de dados compreendendo 5.181 genes e 952 fármacos, dividido em conjuntos de treinamento, validação e teste zero-shot (garantindo que não houvesse sobreposição de fármacos ou linhagens celulares entre treinamento e teste).

• Desempenho Preditivo: O GraphPINE (especificamente a variante Transformer em Grafos) alcançou um PR-AUC de 0,894 e um ROC-AUC de 0,796 em 952 fármacos. Isso superou as linhas de base tradicionais de ML (Random Forest, LightGBM), modelos anteriores de pesquisa em DRP (DeepDSC, MOFGCN) e variantes de GNN sem a camada IP.
• Estudos de Ablação: A inclusão da camada IP melhorou significativamente o desempenho em todas as arquiteturas de fundo GNN testadas (GAT, Transformer em Grafos, GINE). Por exemplo, a variante GINE viu um aumento de 12,29% no PR-AUC quando a camada IP foi adicionada.
• Interpretabilidade: O modelo identificou com sucesso relações gênicas biologicamente relevantes. Em um estudo de caso com 9-Metoxicamptotecina, o modelo identificou corretamente o alvo conhecido TOP1 como tendo a maior importância propagada. Ele também destacou relações indiretas (por exemplo, TP53, ABCA10) consistentes com mecanismos de ação conhecidos, demonstrando a capacidade de capturar relações secundárias além dos alvos diretos.
• Análise de Propagação: A análise de 6.000 combinações fármaco-célula mostrou que o mecanismo de propagação aumentou a densidade de pontuações de importância não nulas de 0,77% para 39,8%, expandindo efetivamente a rede de interação enquanto mantinha uma alta similaridade de cosseno (0,87) com o conhecimento prévio inicial.

Significado e Alegações
O artigo alega que o GraphPINE oferece uma solução robusta para DRP interpretável, equilibrando estabilidade (a partir do conhecimento prévio) e adaptabilidade (a padrões aprendidos). Os autores afirmam que a capacidade do modelo de gerar visualizações de interações gene-gene sob tratamento farmacológico oferece novas perspectivas sobre potenciais mecanismos de ação de fármacos.

Os autores posicionam o GraphPINE como um framework que pode ser estendido a outros campos envolvendo estruturas de rede complexas com importância intrínseca de nós, como o uso de pontuações PageRank para relevância em buscas na web. No entanto, eles enquadram modestamente o trabalho atual como uma aplicação específica à resposta a fármacos contra o câncer, observando que o potencial do framework para aplicações mais amplas é uma direção para exploração futura, e não um resultado demonstrado deste estudo. O trabalho enfatiza que, ao unificar o aprendizado de características e a propagação de importância, o GraphPINE supera a limitação dos métodos de explicabilidade post-hoc que carecem de conhecimento prévio complementar.