Pembelajaran Mendalam Jaringan Multimodal dengan Regularisasi Topologi untuk Reposisi Obat

 Pendahuluan

    Metode pembelajaran mendalam telah menjadi terkenal dalam bioinformatika karena kemampuannya untuk memperoleh representasi data pada berbagai tingkat abstraksi. Penelitian biologi sistem, melihat penyakit manusia sebagai gangguan dalam jaringan biologis, menekankan pentingnya analisis data multi-omik untuk memahami sistem biologis yang kompleks dan menyelidiki mekanisme penyakit. Studi ini memperkenalkan STRGNN (Sequentially Topological Regularization Graph Neural Network), model pembelajaran mendalam yang secara efektif memprediksi hubungan obat-penyakit menggunakan jaringan multimoda skala besar yang kaya akan data omik.

    Penting untuk dicatat perbedaan antara jaringan multimoda dan heterogen. Meskipun keduanya mengintegrasikan berbagai jenis data, jaringan multimoda berfokus pada modalitas atau sumber yang berbeda, dan jaringan heterogen pada berbagai jenis simpul dan tepi. Pendekatan ini secara khusus memanfaatkan jaringan multimodal, dengan mengakui konteks yang lebih luas dari "jaringan heterogen" dalam literatur. Mereka memperkenalkan mekanisme baru dalam pembelajaran GNN, yang disebut regularisasi topologi yang secara efektif memilih modalitas informatif dan menghilangkan data yang berlebihan dari jaringan multimoda. Pendekatan ini telah menghasilkan akurasi prediksi yang unggul dibandingkan dengan metode prediksi interaksi terkemuka lainnya dalam reposisi obat, dan telah memungkinkan penemuan beberapa efek obat baru yang selaras dengan temuan empiris dalam literatur.

Bahan dan Metode

    Dalam penelitian ini, untuk membangun jaringan multimoda secara komprehensif termasuk informasi multiomik, total 6 jenis entitas biomolekuler dan 20 jenis interaksi atau asosiasi dikumpulkan dari 9 database (DrugBank, RANGKAIAN, HuRI, CTD, HMDB, KREDITAS, Harmonisasi, RNAInter, HMDD). Hasilnya, dibandingkan dengan kumpulan data emas Cdatasets, mereka berhasil memasukkan sekitar 4,8 kali lebih banyak obat, 4,6 kali lebih banyak penyakit, dan 4,9 kali lebih banyak asosiasi obat-penyakit. Mereka memilih metode STRGNN sebagai model pembelajaran mendalam yang memprediksi hubungan obat-penyakit menggunakan data multiomik.

Hasil

1.    Untuk memverifikasi bahwa STRGNN dapat secara efektif mempelajari informasi modalitas yang melimpah dari jaringan multimoda, kami membandingkan akurasi prediksi ketika diberikan modalitas yang berbeda. Dalam kumpulan data modalitas kecil, hanya obat-obatan dan penyakit yang ditangani sebagai entitas, dan jaringan asosiasinya diberikan sebagai input. Data menunjukkan kinerja prediksi meningkat dengan diperkenalkannya lebih banyak jaringan dari berbagai modalitas. Hasil ini menyiratkan bahwa penting untuk memanfaatkan jaringan interaksi berdasarkan beberapa data omik dalam memprediksi hubungan obat-penyakit. Peningkatan kinerja dengan kumpulan data modalitas besar tidak signifikan seperti yang diharapkan. Hal ini menunjukkan bahwa modalitas tambahan mungkin tidak berkontribusi secara substansial terhadap akurasi prediksi, mungkin karena redundansi atau ketidakrelevanan informasi tambahan.

2.    Untuk memverifikasi efek regularisasi topologi yang diusulkan dalam penelitian ini, kami membandingkan model dengan dan tanpa jalur FNN yang melewati pembelajaran setiap modalitas, serta dengan dan tanpa L1 regularisasi. Hasil penelitian menunjukkan bahwa pengenalan koneksi skip dan L1 regularisasi, yaitu regularisasi topologi, mencapai kinerja prediksi yang lebih tinggi. Mekanisme untuk menghilangkan potensi gangguan sangat penting dalam prediksi interaksi berdasarkan data biologis. Selain itu, dengan memperkenalkan L1 regularisasi, efek pemilihan modalitas ditingkatkan dengan bersaing untuk parameter bobot yang dapat dipelajari oleh GNN dan melewati koneksi dalam metode STRGNN.

3.   Untuk memastikan perbandingan yang adil, semua metode dilatih ulang menggunakan Large-Dataset. Hasil menunjukkan bahwa STRGNN menunjukkan kinerja yang kuat dan terbaik pada semua indeks dibandingkan dengan metode canggih lainnya. Dalam percobaan ini, STRGNN mengungguli NeoDTI, mungkin karena ketidakmampuan NeoDTI untuk mengekstraksi fitur secara efektif sambil mempertimbangkan pengaruh gangguan dan pentingnya modalitas yang terkandung dalam jaringan. Oleh karena itu, hasil ini menunjukkan efektivitas regularisasi topologi untuk memanfaatkan berbagai jaringan multimoda.

Kesimpulan

     STRGNN mencapai kinerja prediksi yang lebih tinggi daripada metode canggih lainnya dengan memperkenalkan Regularisasi Topologi untuk mempelajari modalitas secara selektif dari jaringan multimoda. Selain itu, STRGNN berhasil memprediksi kemanjuran obat baru dengan validitas dari sudut pandang literatur dan mekanisme kerja (oleh Emilda Putri Sania).

 

Review Jurnal/Artikel Scopus "Deeplearning of multimodal networks with topological regularization for drug repositioning" oleh Ohnuki, Y., Akiyama, M., Sakakibara, Y.