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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».