графовые нейронные сети

В статье представлена модель CIGMA (Causal-inspired Invariant Graph Matching with multi-view contrastive distillation) для прогнозирования ассоциаций между травами и симптомами в традиционной китайской медицине (ТКМ). Авторы решают проблему ограниченности существующих методов, которые не учитывают причинно-следственные связи и страдают от шума в данных. CIGMA использует инвариантное сопоставление графов, вдохновленное причинностью, чтобы выявлять устойчивые закономерности между травами и симптомами, а также многовзглядную контрастивную дистилляцию для улучшения представлений. Модель интегрирует знания из нескольких графовых перспектив (например, структура симптомов, свойства трав) и применяет контрастивное обучение для дистилляции инвариантных признаков. Эксперименты на реальных наборах данных ТКМ показали, что CIGMA превосходит современные базовые методы по точности прогнозирования (например, AUC и F1-score) и демонстрирует лучшую устойчивость к шуму. Работа имеет практическую значимость для персонализированной медицины и открытия новых лекарственных комбинаций, а также предлагает новый взгляд на применение причинного машинного обучения в медицинских графовых задачах.

Исследователи разработали BIGraph-ST — новый метод на основе графовых нейронных сетей для идентификации функциональных доменов в пространственной транскриптомике. Метод интегрирует два типа данных:_scores активности биологических путей и признаки гистологических изображений, что позволяет преодолеть шум и разреженность данных экспрессии генов. BIGraph-ST представляет сходство между модальностями через аффинные графы и распространяет пространственную топологию для захвата связности высшего порядка в тканевом микроокружении. Экспериментальные результаты показали робастную производительность и значительные улучшения на множестве бенчмарк-датасетов, особенно на образцах раковых тканей. Ключевое преимущество метода — биологически интерпретируемые представления доменов на уровне путей, что даёт исследователям инструмент для получения биологических инсайтов о сложных тканевых архитектурах. Исходный код будет опубликован после принятия статьи. Данная работа напрямую применяет методы машинного обучения для анализа медицинских данных в онкологии и патологической анатомии.

Представлена GatorPrism — инновационная архитектура на основе смеси экспертов (Mixture-of-Experts), использующая самообучение и коалиционные графы для интеграции пространственных мультиомиксных данных. Методология системы позволяет разделять общий консенсус между различными омиксными слоями и специфические сигналы каждой модальности, адаптируя их вклад в зависимости от конкретной локации в ткани. В рамках модели совместный эксперт кодирует консенсусный граф на основе пересечений, а частные эксперты фиксируют уникальные пространственно-молекулярные структуры, при этом маршрутизатор на основе прототипов назначает веса для каждой точки ткани. В ходе тестирования на восьми наборах данных GatorPrism продемонстрировала превосходство над девятью конкурирующими методами по девяти метрикам кластеризации. Исследование на тканях миндалевидного железа человека подтвердило точность выделения доменов через соответствие маркерам RNA и ADT, а анализ эмбрионального мозга мыши выявил анатомически локализованные состояния, подтвержденные данными транскриптомики и доступности хроматина. Данная разработка обеспечивает высокую интерпретируемость и точность при изучении того, как молекулярные сигналы организуют структуру тканей.

В исследовании представлена инновационная архитектура искусственного интеллекта Graph in Graph (GiG), предназначенная для комплексного анализа состояния здоровья пациента через интеграцию медицинских карт и омиксных данных. Методология GiG основана на иерархическом моделировании: сначала создается граф «человек-фенотип» на основе медицинских записей, который затем дополняется графами молекулярных сигнальных путей (омиксными графами) конкретного пациента. Это позволяет системе не только объединять разнородные данные, но и интерпретировать их, выделяя ключевые биомаркеры. В рамках апробации модели на когорте Long Life Family Study (LLFS), изучающей механизмы здорового старения, GiG успешно классифицировала состояния от здорового статуса до преддиабета и диабета 2 типа (T2D). Результаты показали высокую точность прогнозирования и способность ранжировать критически важные клинические и омиксные биомаркеры, что открывает новые возможности для персонализированной диагностики и поиска терапевтических мишеней.

В исследовании представлен FloREN — новый метод обучения представлений образцов (sample representation), предназначенный для анализа данных секвенирования РНК единичных клеток (scRNA-seq). В отличие от существующих методов обучения без учителя, FloREN использует контролируемый (supervised) подход, моделируя данные как гетерогенную сеть, объединяющую клетки, гены, регуляторные связи и механизмы межклеточной коммуникации. Использование интерпретируемых графовых трансформеров позволяет не только стратифицировать пациентов по биологическим признакам, но и проводить поиск биомаркеров с высокой точностью. Методология включает в себя создание условных эмбеддингов (condition-aware embeddings) и механизмы внимания, что обеспечивает биологическую интерпретируемость результатов. В ходе тестирования на данных пациентов с иммуноопосредованными воспалительными заболеваниями (IMIDs) фреймворк успешно выявил специфические механизмы функционирования иммунных сетей. Данная разработка имеет высокую значимость для персонализированной медицины и понимания патогенеза сложных воспалительных процессов.

В исследовании представлен инновационный фреймворк EBD-DTI, предназначенный для решения критической проблемы «холодного старта» при прогнозировании взаимодействия лекарственных препаратов с белками-мишенями. Основная сложность заключается в предсказании связей для абсолютно новых, ранее не встречавшихся в обучающей выборке молекул и белков. Авторы предложили метод эпизодического обучения, при котором случайные подмножества сущностей маскируются в процессе каждой эпохи, имитируя условия zero-shot инференса. Использование мостового локального подграфа в сочетании с многошаговой диффузией позволяет передавать реляционный контекст от известных соседей к новым объектам. Экспериментальная проверка на трех ключевых бенчмарках (BioSNAP, BindingDB и DrugBank) показала превосходство метода над существующими SOTA-решениями. В частности, применение эпизодического обучения позволило увеличить показатель AUC на величину до 12%. Данная разработка имеет высокую значимость для ускорения компьютерного поиска новых лекарственных кандидатов.

В исследовании представлена инновационная модель LGNM (Learnable Graph Network Model), предназначенная для высокоточного прогнозирования гибкости белков на уровне отдельных аминокислотных остатков. В отличие от традиционных моделей упругой сети (ENM), которые используют унифицированные коэффициенты жесткости, LGNM применяет гетерогенный подход, где параметры связей определяются физически ограниченной графовой нейронной сетью (GNN). Обучение модели проводилось на данных молекулярной динамики (RMSF-профили) для 413 белков из базы ATLAS с использованием метода разделения по суперсемействам CATH. В основе методологии лежит фреймворк квантового обучения гамильтониану (QNPDE), что позволяет эффективно вычислять градиенты. Результаты тестирования на 91 белке показали значительное превосходство: коэффициент корреляции Пирсона r составил 0,8549 для LGNM против 0,8024 у стандартной модели mENM. Данная разработка критически важна для структурной биологии и компьютерного дизайна лекарств, так как позволяет более точно моделировать динамику молекул.

Представлен новый фреймворк RAG-GNN, объединяющий графовые нейронные сети с модулем плотного поиска по текстовому корпусу для улучшения анализа белковых взаимодействий. Исследование показало, что использование механизмов RAG позволяет улучшить функциональную кластеризацию белков по сравнению с классическими GNN-моделями.

В исследовании представлен инновационный конвейер QSAR-моделирования, использующий графовые нейронные сети (GNN) и графовые трансформеры (GT) для прогнозирования токсичности химических соединений. Авторы разработали методологию, которая кодирует молекулы напрямую в виде графов, избегая потери информации, характерной для бинарных фингерпринтов. Модель тестировалась на данных PubChem для оценки активации каспаз-3/7 и изменения митохондриального мембранного потенциала (MMP), а также на данных FDA для прогнозирования лекарственного поражения печени (DILI) у человека. Результаты показали значительный прогресс: консенсусная модель достигла AUC 0.69 при прогнозировании DILI, а архитектура Graphormer показала лучший F1-score 0.79, существенно превзойдя предыдущие показатели (AUC 0.63 и F1 0.65). Механистический анализ выявил, что фенольные соединения с пара-гидроксифенильным мотивом и липофильные соединения с длинными алкильными цепями провоцируют коллапс MMP и последующую активацию каспаз. Исследование подчеркивает потенциал глубокого обучения на графах для ускорения оценки безопасности новых лекарственных средств и химических веществ.

В исследовании представлен STAMO — инновационная модель на основе графовых нейронных сетей с механизмом внимания (graph attention neural network), предназначенная для интеграции пространственных мультиомиксных данных. Основная проблема существующих методов заключается в игнорировании пространственной информации при работе с непарными срезами тканей, что ведет к ошибкам при сопоставлении различных омиксных слоев. STAMO успешно решает эту задачу, обеспечивая точное выравнивание эмбеддингов и идентификацию консенсусных пространственных доменов. Методология была протестирована на различных типах данных, включая пространственный эпигеном, транскриптом, ДНК и белки. Результаты бенчмаркинга на парах эпигеном-транскриптом подтвердили превосходство STAMO над современными аналогами (state-of-the-art). Кроме того, модель позволяет осуществлять кросс-омиксную генерацию данных, что открывает новые возможности для изучения механизмов генной регуляции в специфических пространственных регионах тканей. Это имеет критическое значение для прецизионной медицины и понимания молекулярной архитектуры заболеваний.

Исследование представляет инновационный пайплайн на базе машинного обучения, направленный на преодоление главной проблемы современного поиска антибиотиков — создания производных уже известных классов соединений вместо поиска принципиально новых механизмов действия (MoA). Авторы предложили использовать классификатор XGBoost для раннего выявления химической новизны, объединив его с графовыми нейронными сетями (GNN) для прогнозирования антибактериальной активности и токсичности. При тестировании на базе данных Zinc20 методология позволила успешно идентифицировать нетоксичные соединения, которые структурно отличаются от существующих антибиотиков и обладают селективностью к бактериальным мембранам. Однако ключевым открытием стало обнаружение «механистической предвзятости»: модели склонны отдавать приоритет определенным классам соединений из-за несбалансированности обучающих выборок. Исследование показало, что даже усложнение архитектуры нейросетей не решает проблему отсутствия разнообразия в данных. Таким образом, основным препятствием для открытия антибиотиков с принципиально новыми мишенями является дефицит разнообразных, механистически аннотированных наборов данных, а не несовершенство алгоритмов.

В исследовании представлена инновационная модель FIRST-ICU, предназначенная для высокоточного прогнозирования необходимых медицинских вмешательств и оценки рисков пациентов в отделениях интенсивной терапии (ОИТ). Методология базируется на использовании автоэнкодеров на основе графовых нейронных сетей (GNN), что позволяет учитывать сложные нелинейные взаимосвязи между различными клиническими параметрами и динамикой состояния пациента. В отличие от традиционных методов, FIRST-ICU эффективно анализирует временные ряды данных, преобразуя их в графовые структуры для более глубокого понимания патофизиологических процессов. Ключевые результаты демонстрируют значительное улучшение точности прогнозирования критических событий по сравнению с существующими моделями машинного обучения. Применение данной технологии позволяет врачам проводить раннюю стратификацию рисков, что критически важно для своевременного принятия решений и оптимизации протоколов лечения в условиях ОИТ. Внедрение FIRST-ICU может существенно снизить уровень смертности и сократить время пребывания пациентов в реанимации за счет превентивного подхода.

В исследовании представлен инновационный метод реконструкции генных регуляторных сетей (GRN) на основе данных секвенирования РНК единичных клеток (scRNA-seq). Авторы разработали архитектуру двухканальной графовой нейронной сети (GCN) с общим весом, которая позволяет эффективно объединять априорные знания о регуляции с паттернами коэкспрессии генов, устраняя ограничения существующих методов. Предложенный вычислительный фреймворк интегрирует профили дифференциальной экспрессии генов и изменения регуляции для точного определения ключевых регуляторов, определяющих различные состояния клеток. Экспериментальные тесты подтвердили, что новый алгоритм значительно превосходит современные аналоги (state-of-the-art) по точности предсказания и демонстрирует высокую устойчивость к шуму и пропущенным данным. Применение метода на двух наборах данных scRNA-seq показало его эффективность в выявлении ключевых регуляторов, ответственных за метастазирование опухолей и развитие лекарственной устойчивости. Данная разработка открывает новые возможности для понимания молекулярных механизмов патологических процессов на клеточном уровне.

В данной научной работе представлена инновационная скоринговая функция GMI-Score, предназначенная для высокоточного прогнозирования аффинности связывания в процессе рационального дизайна лекарств. Авторы разработали метод моделирования многоуровневых взаимодействий на основе графовых представлений, которые учитывают как парные, так и тройные атомные признаки для фиксации кооперативных пространственных паттернов. Использование стратегии слияния признаков (feature fusion) позволило повысить точность модели, сохранив при этом её вычислительную эффективность. В ходе масштабного тестирования на наборах данных PDBbind (версии 2013, 2016, 2020), CSAR-NRC-HiQ и PDBbind-Redocked, модель продемонстрировала превосходство над существующими SOTA-решениями, достигнув коэффициента корреляции Пирсона до 0,877. Исследование подтвердило высокую устойчивость и обобщающую способность алгоритма даже в условиях строгого контроля утечки данных и при реалистичных сценариях докинга. Данная разработка имеет критическое значение для ускорения разработки новых фармацевтических препаратов с помощью ИИ.

В исследовании представлен APOSM — новый алгоритм активного обучения, предназначенный для оптимизации дизайна малых молекул, что критически важно для разработки лекарственных препаратов. Основная проблема существующих суррогатных моделей заключается в шуме и разреженности данных при скрининге, что снижает точность предсказаний. Авторы предложили использовать попарное сравнение молекул вместо обучения на абсолютных оценах, что обеспечивает более надежный сигнал для отбора активных кандидатов. Методология APOSM объединяет генератор на основе фрагментов, графовую нейронную сеть (GNN) с механизмом передачи сообщений для попарного сравнения и вероятностное ранжирование в рамках пакетного цикла сбора данных. Тестирование на бенчмарке Practical Molecular Optimization и задаче по поиску лигандов GPCR показало, что APOSM значительно превосходит методы Graph-GA и классическую точечную регрессию. Наибольшая эффективность алгоритма наблюдается в сценариях, где калибровка абсолютных оценок наиболее затруднена, что делает его перспективным инструментом для ускорения доклинических исследований.

В исследовании представлена инновационная модель глубокого обучения PeptideGNN, основанная на архитектуре графовых нейронных сетей (GNN), предназначенная для моделирования поведения пептидов при жидкостной хроматографии. Авторы решают проблему ограниченного понимания взаимодействий между пептидами и колонками, что является критическим барьером в протеомике. Модель была обучена на десяти различных протеомных наборах данных и продемонстрировала превосходство над существующими предикторами времени удерживания. С помощью метода картирования значимости (saliency mapping) исследователи смогли интерпретировать механизмы удержания, выявив влияние соседних аминокислот, посттрансляционных модификаций (PTM), типа хроматографических колонок и добавок в подвижную фазу. Результаты работы позволяют не только точнее предсказывать параметры разделения, но и глубже понимать физико-химические взаимодействия на молекулярном уровне, что критически важно для повышения точности идентификации белков в масс-спектрометрии.

В данной исследовательской работе представлен первый алгоритм контрфактуальных объяснений (Counterfactual Explanation, CE), специально разработанный для работы с сетями сходства пациентов (Patient Similarity Networks, PSNs). В отличие от традиционных методов, использующих табличные данные, авторы применяют графовые нейронные сети (GNN), которые учитывают не только индивидуальные признаки пациента, но и его связи с клинически и биомолекулярно схожими индивидами. Предложенный метод является универсальным и не зависит от конкретной модели классификатора (model-agnostic), что позволяет интегрировать его в различные системы поддержки принятия врачебных решений. Исследование проводилось на синтетических данных и на реальной когорте пациентов с болезнью Альцгеймера. Результаты показали, что новый алгоритм демонстрирует конкурентоспособность по сравнению с классическими методами для табличных данных и признанным инструментом GNNExplainer. Данная разработка имеет критическое значение для повышения интерпретируемости ИИ в медицине, позволяя врачам понимать, какие именно изменения в клинических или биомолекулярных показателях могли бы изменить прогноз заболевания.

Исследователи представили новый метод F2S (Features to Signatures), предназначенный для предсказания частоты возникновения побочных эффектов лекарственных препаратов с учетом их хиральности. Основная проблема заключается в том, что энантиомеры (зеркальные молекулы) могут иметь идентичный химический состав, но радикально разные профили безопасности и эффективности. Методология F2S использует направленную графовую нейронную сеть с передачей сообщений по связям (directed-bond message-passing GNN) для извлечения стереохимических конфигураций из структуры молекул, в то время как текстовые описания побочных эффектов кодируются с помощью предобученной модели PubMedBERT. В ходе тестирования в сценариях «холодного старта» и проспективной оценки метод показал результаты, сопоставимые с современными SOTA-решениями, при этом значительно снизив количество ложноположительных результатов. Особое преимущество F2S заключается в способности точно предсказывать различия в частоте побочных эффектов между парами энантиомеров. Кроме того, модель формирует компактные 10-мерные сигнатуры, которые обеспечивают интерпретируемость: сигнатуры лекарств отражают их терапевтический класс, а сигнатуры эффектов — фенотипическое сходство.

В данной научной работе представлена новая методология прогнозирования аффинности взаимодействия лекарственных соединений с биологическими мишенями (DTA), которая учитывает пространственную организацию молекул (стереохимию). Авторы указывают на критический недостаток существующих моделей, которые полагаются только на связность атомов и игнорируют хиральность, что приводит к ошибкам при анализе энантиомеров — молекул с идентичным составом, но разной трехмерной структурой. Предложенный фреймворк использует графовую нейронную сеть с передачей сообщений по направленным связям (directed-bond message passing GNN) для захвата конфигураций энантиомеров, в сочетании с эмбеддингами белковых последовательностей. Экспериментальная проверка на наборе данных Davis подтвердила улучшение точности прогнозирования аффинности. Особую значимость представляет кейс-стади на специально подготовленном наборе данных энантиомеров: модель успешно разделила их показатели аффинности в соответствии с экспериментально наблюдаемой биологической активностью. Это делает метод перспективным инструментом для более точного и химически достоверного дизайна лекарств в рамках компьютерного моделирования (in silico).