Interpretable graph deep learning framework for drug synergy prediction by integrating functional and clinical similarities

可解释性 人工智能 计算机科学 标杆管理 机器学习 深度学习 图形 药品 计算生物学 精密医学 个性化医疗 相似性(几何) 临床实习 药物重新定位 药物开发 过程(计算) 药物靶点 钥匙(锁) 药物发现 药物基因组学 机制(生物学) 数据挖掘 边距(机器学习)
作者
Jiyin Lai,Jiashuo Wu,Yalan He,Yongbao Zhang,Bin Li,Tingyu Shi,Junwei Han
出处
期刊:npj digital medicine [Nature Portfolio]
标识
DOI:10.1038/s41746-026-02830-z
摘要

Tumor heterogeneity and drug resistance limit single-agent therapies, making combination treatments essential. However, traditional screening methods are costly and inefficient. Here, we present DSimSynergy, a graph deep learning framework for predicting drug synergy. It constructs drug similarity networks from biological process and clinical applications, then learns drug representations through graph convolution on these networks. Subsequently, it combines them with graph attention representations of drug molecular fingerprints and cell line gene expressions to predict synergy scores for drug combinations. Comprehensive benchmarking on multiple independent datasets demonstrates that DSimSynergy consistently outperforms state-of-the-art methods. Model interpretability analysis revealed key genes and pathways underlying drug synergy, while validation on clinical patient and cohort data demonstrated good clinical translational potential and discovered the molecular mechanisms by which drugs generate synergistic effects through "pathway complementary networks". DSimSynergy efficiently identifies synergistic combinations, reducing experimental costs while elucidating biological mechanisms to overcome resistance and guide personalized treatment.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
学无止境完成签到 ,获得积分10
1秒前
chilit完成签到 ,获得积分10
2秒前
liang完成签到 ,获得积分10
2秒前
朴素心情完成签到,获得积分10
2秒前
ddddd完成签到,获得积分10
3秒前
车耷发布了新的文献求助30
4秒前
何皮皮完成签到,获得积分10
4秒前
123wzl123完成签到,获得积分10
4秒前
自来也完成签到,获得积分10
4秒前
刺猬完成签到,获得积分10
5秒前
123完成签到,获得积分0
5秒前
rui完成签到 ,获得积分10
7秒前
Yoghurt发布了新的文献求助30
8秒前
樊兮完成签到,获得积分10
8秒前
suoluotree完成签到,获得积分10
8秒前
9秒前
傑24完成签到 ,获得积分10
9秒前
精神的精神病完成签到,获得积分10
10秒前
11秒前
单薄翠绿完成签到 ,获得积分10
13秒前
木木小飞虫完成签到,获得积分10
13秒前
cc完成签到,获得积分10
13秒前
Es完成签到,获得积分10
13秒前
14秒前
清欢度完成签到,获得积分10
15秒前
顺利的夜白完成签到 ,获得积分10
15秒前
yimax发布了新的文献求助10
15秒前
ming830完成签到,获得积分10
15秒前
Clover04完成签到,获得积分0
16秒前
隐形冷亦完成签到,获得积分10
17秒前
科研dog完成签到,获得积分10
17秒前
Dellamoffy完成签到,获得积分10
19秒前
陈迎春发布了新的文献求助10
19秒前
凛冬序完成签到,获得积分10
21秒前
戚时雨完成签到 ,获得积分10
21秒前
月月完成签到,获得积分10
22秒前
qzh006完成签到,获得积分10
22秒前
yimax完成签到,获得积分10
23秒前
23秒前
NIKO完成签到 ,获得积分10
23秒前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1700
The World Atlas of Wine 9th edition 1000
奈特基础组织学:配套组织病理学(第4版)(Netter's Essential Histology With Correlated Histopathology) 800
John McDowells Bildungstheorie 800
Social Psychology in the Real World 600
八旗制度の研究 600
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8180111
求助须知:如何正确求助?哪些是违规求助? 9570230
关于积分的说明 21808902
捐赠科研通 7776134
什么是DOI,文献DOI怎么找? 3433261
关于科研通互助平台的介绍 2557463
邀请新用户注册赠送积分活动 2479025