CDR models In 2023

Posted on 2025-07-26 Edited on 2025-07-28 In CDR , Model Views: Word count in article: 1.9k Reading time ≈ 7 mins.

2023年的CDR模型

想看2020到2022的可以前往CDR models From 2020 To 2022

本文将介绍的是2023年的CDR模型，总的来说23年的模型在之前的基础上变得更复杂了，但感觉和鼠鼠想要的创新还有一些小距离捏~~（主要是一连看到好多篇拼好模捏）~~

这应该是第一次将Graph Transformer引入CDR中吧~~应该吧~~。

关于Graph Transformer，鼠鼠专门写过一篇博客Trans?!and Former?!。像了解的可以去看一下捏

~~这个架构图让鼠鼠想到一位故人(GraOmicDRP)捏，一看果然是一个团队做的捏，该说不说，这里就直接把两个架构图放在一起捏dddd~~

经典出装（CCLE和GDSC）

这玩意儿引入了形态学图像并将其用于与之前的组学数据进行对比学习，鼠鼠并不喜欢先验知识，但鼠鼠现在想知道另一件事（过两天会进行实验，到时候补充）：是否可以直接在组学内部经行对比学习以提高一些东西呢？

鼠鼠现在设想的改造如下：

GDSC、PubChem、DMSZ

这里主要是将药物做成官能团序列一样的东西用于训练

GDSC和CCLE

多的不说少的不唠，这其实是鼠鼠看的第一篇Multi-view Attention的论文，之前有过一篇~~（但感觉只是形式上的）~~

这里给出其multi-view的具体构造过程：

多组学数据：构成三维张量
$$
C \in \mathbb{R}^{N_{cl} \times N_g \times (K-1)}
$$
- $N_{cl}$: 细胞系数量
- $N_g$: 癌症相关基因数量
- $K-1$: 组学类型数

节点特征生成
细胞系$i$的基因特征矩阵：
$$
X_c^i = C(i, :, :) \in \mathbb{R}^{N_g \times (K-1)}
$$
邻接矩阵生成
- 组学视图（$v=1,…,K-1$）:
  $$
  \rho_{ij}^{(v)} = \frac{\sum_{q=1}^{N_g} (Y_{i,q}^{(v)} - \bar{Y}_i^{(v)})(Y_{j,q}^{(v)} - \bar{Y}_j^{(v)})}{\sqrt{\sum_{q=1}^{N_g} (Y_{i,q}^{(v)} - \bar{Y}_i^{(v)})^2}\sqrt{\sum_{q=1}^{N_g} (Y_{j,q}^{(v)} - \bar{Y}_j^{(v)})^2}}
  $$
  
  阈值化：
  
  $$
  E_{ij}^{(v)} = \begin{cases}
  1 & \text{if } |\rho_{ij}^{(v)}| > \tau^{(v)} \
  0 & \text{otherwise}
  \end{cases}
  $$
- STRING视图（$v=K$）:
  $$
  E_{ij}^{(K)} = \begin{cases}
  1 & \text{if } s_{ij}^{(K)} > \tau^{(K)} \
  0 & \text{otherwise}
  \end{cases}
  $$
最终图结构
$$
\mathcal{G}_c = \langle V, { E^{(v)} }_{v=1}^K \rangle
$$

共享参数投影：
$$
\Theta = [H^{(1)}\theta, …, H^{(K)}\theta] \in \mathbb{R}^{N_g \times K}
$$
相似度计算：
$$
\bar{\alpha}_{ij} = \text{LeakyReLU}\left( \frac{\langle \Theta_i, \Theta_j \rangle}{|\Theta_i|_2 |\Theta_j|_2}, \beta \right)
$$
注意力系数：
$$
\alpha_{ij} = \frac{\exp(\bar{\alpha}_{ij})}{\sum_{j=1}^K \exp(\bar{\alpha}_{ij})}
$$
视图表示更新：
$$
H_s^{(v)} = \sum_{j=1}^K \alpha_{vj} H^{(j)}
$$

表示拼接：
$$
H_s = [H_s^{(1)}, …, H_s^{(K)}] \in \mathbb{R}^{N_g \times K d_c}
$$
视图权重计算：
$$
\bar{w}^{(v)} = \text{Avg}(H_s z^{(v)} + b)
$$
归一化权重：
$$
w^{(v)} = \frac{\exp(\bar{w}^{(v)})}{\sum_{v=1}^K \exp(\bar{w}^{(v)})}
$$
最终融合：
$$
H = \sum_{v=1}^K w^{(v)} H_s^{(v)}
$$