DiSPA: Differenzierte Substruktur-Pathway-Attention verbessert Arzneimittelantwortvorhersage

Ein neues Deep‑Learning‑Framework namens DiSPA verspricht, die Vorhersage von Arzneimittelantworten in der Präzisionsmedizin deutlich zu verbessern. Durch die gezielte Kombination von chemischen Substrukturen und zellulären Signalwegen liefert DiSPA ein Modell, das die Wechselwirkungen zwischen Wirkstoff und Zellzustand genauer erfasst.

Derzeit behandeln die meisten Ansätze die chemische und die transcriptomische Information getrennt oder verbinden sie erst in späteren Modellen. Dadurch fehlt die Möglichkeit, feinkörnige, kontextabhängige Wirkmechanismen zu modellieren. Zusätzlich sind klassische Aufmerksamkeitsmechanismen oft anfällig für Rauschen und Sparsität in hochdimensionalen biologischen Netzwerken, was die Generalisierung und Interpretierbarkeit einschränkt.

DiSPA löst diese Probleme, indem es die struktur‑getriebenen und die kontext‑getriebenen Mechanismen explizit trennt. Durch bidirektionale Konditionierung zwischen chemischen Substrukturen und Pfad‑Level‑Genexpression sowie einen differenziellen Cross‑Attention‑Modul werden irreführende Pfad‑Substruktur‑Assoziationen unterdrückt und relevante Interaktionen verstärkt.

In mehreren Evaluationsszenarien auf dem GDSC‑Benchmark erreicht DiSPA einen neuen Stand der Technik. Besonders beeindruckend sind die Verbesserungen im disjoint‑Set‑Setting, das die Fähigkeit zur Generalisierung auf unbekannte Arzneimittel‑Zellkombinationen testet.

Darüber hinaus liefert DiSPA mechanisch informative Repräsentationen. Die erlernten Aufmerksamkeitsmuster rekonstruiert bekannte Pharmakophore, differenziert zwischen struktur‑getriebenen und kontextabhängigen Verbindungen und zeigt eine kohärente Organisation über biologische Pfade hinweg.

DiSPA eröffnet damit neue Perspektiven für die Entwicklung präziser Arzneimittel und die tiefere Analyse von Wirkmechanismen.