графовые нейронные сети

В статье представлен метод Ark-ADMET, который демонстрирует, что для достижения конкурентоспособных результатов в предсказании ADMET (абсорбция, распределение, метаболизм, выведение и токсичность) не обязательно использовать единую архитектуру для всех задач. Исследователи применили протокол бенчмарка Therapeutics Data Commons (TDC) к 22 конечным точкам, подбирая оптимальные молекулярные представления и гиперпараметры для градиентного бустинга (CatBoost) индивидуально для каждой задачи. В качестве базового компонента использовались стандартные отпечатки пальцев и физико-химические дескрипторы, к которым добавлялись специфичные для конечных точек компоненты: усеченные трехмерные дескрипторы PaDEL, замороженные эмбеддинки графовых изоморфизмов (GIN) и MiniMol, а также их комбинации с неглубокими сетями. Выбор оптимальной конфигурации осуществлялся на внутреннем контрольном наборе данных с использованием строгого правила улучшения. Результаты показали, что семейство из 22 специализированных моделей Ark-ADMET превзошло лучшие ранее опубликованные результаты на 3 конечных точках и достигло их уровня еще на 7 из 21 оцениваемой задачи. Это доказывает, что тщательная настройка представлений и гиперпараметров под конкретную задачу может быть столь же эффективной, как и разработка новых сложных архитектур, что упрощает внедрение ИИ в доклинические исследования лекарств.

В исследовании рассматривается применение графовых нейронных сетей (GNN) для анализа данных метагеномики кишечника у пациентов с воспалительными заболеваниями кишечника (ВЗК). Авторы использовали лонгитюдные данные 106 участников проекта HMP2/iHMP для построения индивидуальных сетей микробных ассоциаций и обучения моделей на их основе. Результаты показывают, что хотя модель Random Forest демонстрирует более высокую предсказательную способность (AUPRC ~0.59 против 0.446 у GNN), интерпретация GNN позволила выявить ключевой модуль ко-аберрантных видов отряда Bacteroidales. В отличие от традиционных подходов, этот модуль не отличался по обилию между группами, но его структурные связи несли основной предсказательный сигнал. В независимой когорте удаление этих ассоциаций снижало точность модели до уровня случайного угадывания. Исследование доказывает, что скоординированная структура ассоциаций микробиома является важным диагностическим признаком ВЗК, дополняющим анализ изменений относительного обилия таксонов. Методология демонстрирует потенциал GNN для раскрытия сложных взаимодействий в микробиоме, которые остаются скрытыми при использовании стандартных методов машинного обучения.

В статье представлен метод FateDriver — графовая нейронная сеть (GNN) с слабым контролем, предназначенная для выявления ключевых регуляторных генов, ответственных за переход клеток из одного состояния в другое в процессе репрограммирования. Метод использует данные одноядерной транскриптомики, объединяя представления клеток и генов в единую графовую структуру, где доставленные экспериментальные факторы рассматриваются как разреженные метки на уровне генов. Алгоритм решает задачу ранжирования кандидатов в формате «положительные-непомеченные», что позволяет эффективно использовать ограниченные экспериментальные знания для генерации гипотез. Исследование проведено на двух наборах данных OSKM и одном наборе GMT, где FateDriver показал наивысшие результаты среди шести сравниваемых методов по восстановлению референсных генов. Модель превзошла базовые модели без графового компонента, несмотря на более слабую корреляцию экспрессии с доставленными факторами, и продемонстрировала высокую точность в идентификации белковых мишеней химических коктейлей, индуцирующих плюрипотентность. Применение метода к фиксированным исходным или конечным состояниям выявило специфические программы, включая ось DDX58-интерферона, связанную с клетками, лишенными эндогенных маркеров плюрипотентности. Также показано, что фреймворк применим для приоритизации исходных-целевых пар, что позволило определить различные потенциальные источники для популяций частично репрограммированных клеток кишечника in vivo.

В статье исследуется критическая проблема валидации моделей искусственного интеллекта для предсказания синтетической летальности генов: разрыв между показателями на стандартных бенчмарках и реальной эффективностью в экспериментальных скринингах. Авторы анализируют влияние смещения выборки (sampling bias), связанного со степенью узлов в графах взаимодействий, на метрики качества моделей SLMGAE, GCATSL, GRSMF и SL2MF. Замена случайных негативных примеров на тестовой выборке на степень-сопоставимые привела к резкому падению AUROC для большинства моделей (например, с 0.782 до 0.501 для SLMGAE), что указывает на искусственное завышение их дискриминационной способности в обычных условиях. Однако ключевой вывод заключается в эмпирической диссоциации: модель SLMGAE, показавшая почти случайный результат на скорректированном бенчмарке, успешно извлекла 21 истинный хит в экспериментальных пулах SPIDR при ожидаемых 8, что дает обогащение в 2.62 раза. Это доказывает, что модель может иметь низкую оценку на контролируемом тесте, но сохранять высокую практическую полезность для приоритизации мишеней в биологических экспериментах. Исследование также выявило ограничения в других клеточных линиях (HAP1, SCHEMATIC) из-за недостаточного покрытия данных. Представленный открытый набор инструментов оценки позволяет измерять как дискриминационную способность, так и пригодность для экспериментального поиска, что важно для развития надежных ИИ-систем в биомедицине.

В статье представлен метод DUET — алгоритм на основе искусственного интеллекта для предсказания сайтов связывания РНК с малыми молекулами, использующий только информацию о последовательности без необходимости экспериментальных структурных данных. Архитектура модели объединяет реляционную графовую башню с двумя сверточными последовательными башнями, построенными на основе замороженных языковых моделей РНК, что позволяет эффективно извлекать биологические паттерны. Авторы уделили особое внимание строгости валидации, удалив 98 из 388 записей в обучающей и валидационной выборках, имеющих 80% идентичности с каноническими тестовыми цепями, чтобы избежать утечки данных. Результаты показали, что DUET достиг средней MCC (средней точности) 0.240 +/- 0.013, что статистически значимо превосходит предыдущий метод CoBRA-M3 (0.192 +/- 0.031) с приростом Delta = +0.047 (p = 0.0073). Модель также продемонстрировала параллельные улучшения по метрикам AUC и AUPRC, а на внешних наборах данных результаты DUET (0.246 MCC) оказались статистически неотличимыми от метода GRASSP (0.243 MCC). Исследование подтвердило, что реальная трехмерная топология улучшает MCC на +0.037 по сравнению с перемешанными ребрами и на +0.042 по сравнению с предсказанной вторичной структурой. Увеличение размера обучающей выборки с 80 до 290 записей привело к значительному росту производительности модели на +0.135 MCC. Работа подчеркивает критическую необходимость раздельного контроля за перекрытием тестовых данных и внутренней избыточностью обучающих выборок при оценке ИИ-моделей в биоинформатике.

В статье представлен масштабный бенчмарк, сравнивающий эффективность графовых нейронных сетей (GNN), предобученных моделей (ChemBERTa, MolCLR) и молекулярных отпечатков (fingerprints) для предсказания ADMET-свойств (абсорбция, распределение, метаболизм, выведение и токсичность) лекарственных кандидатов. Исследование устраняет пробел в существующих сравнениях, используя строгий протокол оценки с сопоставимыми бюджетами на тонкую настройку (50 испытаний на модель) и разделение данных по скелету молекулы (scaffold-split) для предотвращения утечки данных. Результаты показывают, что ни одна архитектура не является универсально лучшей: GNN превосходят другие методы только в предсказании проницаемости Caco-2, причем это преимущество обусловлено не структурой графа, а вспомогательными физико-химическими дескрипторами. Модели на основе отпечатков Морган демонстрируют высокую конкурентоспособность на задачах hERG и выведения, в то время как предобученная модель MolCLR показала лучшие результаты на датасете Tox21. Для некоторых задач, таких как клиренс в гепатоцитах и период полувыведения, все модели показали близкие к нулю или отрицательные значения R², что указывает на сложность предсказания этих параметров. Исследование также выявило, что выбор стратегии оптимизации гиперпараметров не дает стабильного преимущества перед случайным поиском при данном бюджете, а использование тестовых данных для выбора лучшей модели искусственно завышает показатели. Выводы подчеркивают необходимость выбора модели, специфичной для конкретной задачи, и использования справедливых, контролируемых на утечку протоколов оценки для надежной поддержки принятия решений на ранних стадиях разработки лекарств.

В статье представлен новый метод CLARA — иерархическая система обучения, предназначенная для решения проблемы дисбаланса классов в графовых нейронных сетях (GNN). Проблема заключается в том, что узлы меньшинства не только редки, но и структурно маргинализированы в графе. Метод CLARA разбивает задачу классификации узлов на два этапа: сначала грубый классификатор уровня подграфа определяет регионы, с высокой вероятностью содержащие экземпляры меньшинства, а затем детальный предиктор уровня узлов работает внутри этих выделенных регионов. Такой подход позволяет повысить чувствительность модели, сохраняя при этом масштабируемость, за счет фильтрации нерелевантных областей и фокусировки обучения на топологически значимых окрестностях. Эксперименты на стандартных наборах графовых данных показали существенное превосходство CLARA над существующими методами обработки дисбаланса, достигнув F1-меры на уровне 88.3%. Особое значение имеет применение стратегии в задаче предсказания сайтов связывания белок-лиганд, где метод также продемонстрировал значительное улучшение результатов. Это подтверждает широкую и последовательную эффективность подхода как в биологических, так и в общих задачах обучения на графах. Разработка актуальна для биоинформатики и разработки лекарств, где точное определение активных центров критически важно.

Представлена обновленная версия платформы BiomiX 3.0, предназначенная для упрощения интеграции мультиомиксных данных неопытными пользователями. В новую версию включены четыре метода интеграции: Similarity Network Fusion (SNF), NEighborhood-based Multi-Omics clustering (NEMO), DIABLO и новый метод PRAMIGO, основанный на гетерогенных графовых трансформерах (HGT). Исследователи провели бенчмаркинг всех пяти методов (включая MOFA) на двух независимых наборах данных: когорта хронического лимфоцитарного лейкоза (CLL) и коорта туберкулеза легких (PTB). Результаты показали, что контролируемые методы (DIABLO, PRAMIGO) обеспечивают лучшую дискриминацию состояний, тогда как неконтролируемые (SNF, NEMO) выявляют альтернативные стратификации пациентов. Анализ выявил 154 общих биологических признака (116 генов, 38 метаболитов) и множество уникальных для каждого метода сигналов, что доказывает необходимость использования нескольких стратегий интеграции. PRAMIGO продемонстрировал уникальную способность моделировать кросс-модальные молекулярные взаимодействия, выявляя специфические пути, такие как регуляция ncRNA и разнообразие иммуноглобулинового репертуара. Платформа решает проблему сложности выбора методов и интерпретации результатов в мультиомиксных исследованиях.

В исследовании представлен новый фреймворк SurvMOCA-GNN, использующий графовые нейронные сети (GNN) для интеграции разнородных молекулярных и клинических данных при остром миелоидном лейкозе (AML). Методология включает явное внедрение биологических сетевых структур, кросс-омиксных регуляторных связей и специфической для пациента клинической информации на основе данных экспрессии генов и микроРНК из когорты TCGA-LAML. Ключевым результатом стало создание унифицированных представлений пациентов, которые позволили выявить прогностически различные группы и дополнительно стратифицировать пациентов внутри существующих категорий риска Европейской сети лейкозов (ELN) 2022 года. Систематический анализ аблиации доказал, что использование графового моделирования, кросс-омиксного внимания и адаптивной интеграции клинических данных последовательно улучшает качество интеграции и дискриминационную способность выживаемости. По сравнению с существующими подходами, SurvMOCA-GNN генерирует более биологически согласованные представления, что подтверждено оценкой на независимой когорте AML и анализом трансферного обучения. Результаты демонстрируют высокую надежность и переносимость интегрированных представлений на гетерогенные популяции пациентов, что открывает новые возможности для прецизионной медицины. Фреймворк является открытым и доступен для использования научным сообществом, предлагая общий подход к интеграции гетерогенных данных для улучшения стратификации риска не только при AML, но и при других онкологических заболеваниях.

В статье представлен критический самоаудит графовой нейронной сети MetaGNN, предназначенной для оценки активности метаболических реакций в контексте персонализированного моделирования рака. Авторы выявили два независимых механизма, которые приводили к завышенным результатам бенчмарков. Во-первых, при обучении с метками, полученными пороговым преобразованием тех же транскриптомных данных, которые подаются на вход модели, достигался AUROC 0.9864 на TCGA-BRCA, однако это объяснялось прямой утечкой меток: для 5,925 реакций метки были детерминированной функцией входа, а для 4,675 реакций метки были сгенерированы псевдослучайным генератором с фиксированным сидом, и модель запоминала инвариантный вектор меток. Во-вторых, в независимом когорте модели, обученные без данных пациентов, имели нулевые признаки и не показывали согласия между пациентами, что указывает на отсутствие реального сигнала. После исправления этих проблем и переобучения на валидных признаках AUROC упал до 0.5800, что ниже базовых показателей (0.6342 для сырых данных и 0.6085 для информационно-пустого индикатора). Перенос модели на другие датасеты (METABRIC, CPTAC) оказался на уровне случайности. Авторы отзывают ранее заявленное улучшение на 0.105 AUROC от реляционных рёбер и публикуют код, данные и скрипты для воспроизведения проверок. Работа подчёркивает важность строгой валидации бенчмарков в ИИ-медицине и предлагает практические рекомендации для предотвращения утечки данных.

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.