DGSS: A Dynamic Interaction Graph Neural Network with Specific Substructure Awareness for Drug Synergy Prediction
Notice bibliographique
Résumé
Combination therapy presents a transformative approach to treating complex diseases such as cancer by mitigating toxicity and resistance challenges inherent to monotherapy. A critical gap in current computational methods, however, lies in their inability to model cell-specific drug responses and dynamic drug-cell interactions, which are key factors in accurately predicting synergistic drug pairs. To address this, we propose DGSS, a novel Dynamic Interaction Graph Neural Network with Cell-Specific Drug Substructure Awareness, designed to explicitly capture two pivotal aspects: (1) drug substructures that drive efficacy in specific cellular environments, and (2) dynamic, context-dependent interactions between drugs and cell lines. Our framework introduces two technical innovations: a hierarchical attention mechanism that identifies cell-line-specific drug substructures by correlating molecular subgraphs with genomic features, and a dynamic graph network that models evolving cell-line states during drug exposure. Extensive experiments under three data partitioning strategies across 12 datasets demonstrate DGSS's robustness, consistently outperforming all state-of-the-art baseline models. On the Loewe Synergy dataset, the model achieved AUROC and AUPRC of 96.0% and 85.5%, respectively, and exhibited good stability. By bridging molecular substructure dynamics with cellular context, DGSS advances precision in synergy prediction, offering a data-driven framework to optimize combination therapies in personalized oncology.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».