使用因果启发的神经网络组合预测治疗性扰动

表型驱动方法通过分析区分疾病状态与健康状态的表现型特征，来识别能够对抗疾病的化合物。本文介绍PDGrapher，一种基于因果推理的图神经网络模型，能够预测能够逆转疾病表型的组合扰动因子（即治疗靶点集）。与那些学习扰动如何改变表型的方法不同，PDGrapher解决了逆向问题，通过将疾病细胞状态嵌入网络、学习这些状态的潜在表示，并识别最优组合扰动，来预测实现预期反应所需的扰动因子。在九个细胞系的化学扰动实验中，PDGrapher比现有方法在更多测试样本中识别出有效的扰动因子。在十个遗传扰动数据集上，PDGrapher也表现出有竞争力的性能。PDGrapher的一个优势是其直接预测能力，这与表型驱动模型中常见的间接且计算密集型方法形成对比。它的训练速度比现有方法快达25倍，为识别治疗性扰动和推进表型驱动的药物发现提供了一种快速途径。