Đóng góp thứ nhất là đề xuất giải pháp học dữ liệu biểu diễn đồ thị của phân tử thuốc – GraphDRP: Đề xuất này đã áp dụng cách biểu diễn dữ liệu thuốc dưới dạng đồ thị, sử dụng các phương pháp tính toán dựa trên mạng nơ-ron đồ thị (GNN) để học các biểu diễn dữ liệu này từ đó cải thiện hiệu năng dự đoán so với các phương pháp không tích hợp dữ liệu đồ thị phân tử thuốc. Trong số các mô hình GNN được áp dụng, giải pháp đề xuất cũng xác định được mô hình học dữ liệu đồ thị phân tử thuốc hiệu quả nhất.
Đóng góp thứ hai là đề xuất giải pháp tích hợp đa dữ liệu -omics và dữ liệu biểu diễn đồ thị phân tử thuốc -GraOmicDRP: Đề xuất đã tiếp tục cải thiện hiệu năng dự đoán đáp ứng đơn thuốc cho các dòng tế bào, bằng cách áp dụng mô hình học dữ liệu biểu diễn dạng đồ thị phân tử thuốc tích hợp với dữ liệu đa -omics của dòng tế bào. Các giải pháp tích hợp đa dữ liệu -omics cho thấy hiệu quả hơn giải pháp tích hợp đơn -omics, và vượt trội hơn so với các phương pháp tích hợp đa -omics khác nhưng không sử dụng dữ liệu biểu diễn thuốc dưới dạng đồ thị phân tử. Đồng thời giải pháp đề xuất cũng chỉ ra được loại dữ liệu -omics có ý nghĩa cho mô hình dự đoán.
– Giải pháp tích hợp dữ liệu trong dự đoán đáp ứng đa thuốc.
Đóng góp thứ ba là đề xuất giải pháp học biểu diễn đồ thị phân tử thuốc và tích hợp đa dữ liệu -omics để dự đoán đáp ứng đa thuốc – GraOmicSynergy: Đây là đề xuất học các biểu diễn của cặp thuốc dưới dạng đồ thị phân tử và tổng hợp thông tin biểu diễn cặp thuốc thử nghiệm trên các dòng tế bào thông qua cơ chế chú ý. Dữ liệu biểu diễn dòng tế bào cũng được tổng hợp từ mô hình học biểu diễn đa dữ liệu -omics. Giải pháp đề xuất đã cải thiện khả năng dự đoán so với các mô hình khác không sử dụng biểu diễn đồ thị phân tử thuốc cũng như so với mô hình có sử dụng dữ liệu đồ thị phân tử thuốc nhưng chưa tích hợp đa dữ liệu -omics.
Đóng góp thứ tư là đề xuất giải pháp tích hợp đa dữ liệu -omics và mạng sinh học – AE-XGBSynergy. Đề xuất này tích hợp đa dữ liệu -omics của dòng tế bào, kết hợp với dữ liệu biểu diễn thuốc và dòng tế bào được trích xuất thông qua thông tin cấu trúc mạng tương tác protein (PPI) để dự đoán phân loại đáp ứng đa thuốc. Trong đó, dữ liệu biểu diễn dòng tế bào được trích xuất thông qua bộ mã hóa (AE), những biểu diễn cặp thuốc và dòng tế bào được đưa vào bộ phân loại để dự đoán phân loại đáp ứng đa thuốc. AE-XGBSynergy đã cho thấy hiệu năng vượt trội hơn so với một mô hình dự đoán chỉ có thông tin cấu trúc mạng PPI và không tích hợp dữ liệu -omics của dòng tế bào.