Kehilangan ClinicalFocal meningkatkan akurasi prediksi interaksi obat-oleh-GNN sebesar 19,3 poin persentase

Para peneliti mengintegrasikan kehilangan ClinicalFocal ke dalam jaringan konvolusi graf yang sadar relasi untuk meningkatkan prediksi efek samping polifarmasi, mengatasi keterbatasan entropi silang biner standar yang memperlakukan semua contoh secara setara.

• Akurasi meningkat dari 0,699 menjadi 0,892 dan skor F1 dari 0,700 menjadi 0,894 pada dataset TWOSIDES.
• AUROC naik dari 0,766 menjadi 0,914, sementara AUCPR membaik dari 0,714 menjadi 0,860.
• Tingkat false-negative turun signifikan dari 29,8% menjadi 9,1%, dan spesifisitas meningkat dari 69,6% menjadi 87,5%.
• Kesalahan klasifikasi keseluruhan menurun sebesar 64,1% relatif, mencapai recall 90,9% untuk tripel interaksi yang diamati.

Studi ini menyimpulkan bahwa optimisasi focal asimetris berfungsi sebagai tuas langsung dan dapat disesuaikan untuk meningkatkan prediksi interaksi obat berbasis graf tanpa memerlukan modifikasi pada arsitektur model dasar.