Different cancer patients may respond differently to cancer treatment due to the heterogeneity of cancer. It is an urgent task to develop an efficient computational method to identify drug responses in different cell lines, which guides us to design personalized therapy for an individual patient. Hence, we propose an end-to-end algorithm, namely MOFGCN, to predict drug response in cell lines based on Multi-Omics Fusion and Graph Convolution Network. MOFGCN first fuses multiple omics data to calculate the cell line similarity and then constructs a heterogeneous network by combining the cell line similarity, drug similarity, and the known cell line-drug associations. Secondly, it learns the latent features for cancer cell lines and drugs by performing graph convolution operations on the heterogeneous network. Finally, MOFGCN applies the linear correlation coefficient to reconstruct the cancer cell line-drug correlation matrix to predict drug sensitivity. To our knowledge, this is the first attempt to combine graph convolutional neural network and linear correlation coefficient for this significant task. We performed extensive evaluation experiments on the Genomics of Drug Sensitivity in Cancer (GDSC) and Cancer Cell Line Encyclopedia (CCLE) databases to validate MOFGCN’s performance. The experimental results show that MOFGCN is superior to the state-of-the-art algorithms in predicting missing drug responses. It also leads to higher performance in predicting drug responses for new cell lines, new drugs, and targeted drugs.

中文翻译：

---

基于多组学融合和图卷积预测药物反应

由于癌症的异质性，不同的癌症患者对癌症治疗的反应可能不同。开发一种有效的计算方法来识别不同细胞系中的药物反应是一项紧迫的任务，这将指导我们为个体患者设计个性化治疗。因此，我们提出了一种端到端算法，即 MOFGCN，用于基于多组学融合和图卷积网络预测细胞系中的药物反应。MOFGCN首先融合多个组学数据计算细胞系相似度，然后结合细胞系相似度、药物相似度和已知的细胞系-药物关联构建异构网络。其次，它通过在异构网络上执行图卷积操作来学习癌细胞系和药物的潜在特征。最后，MOFGCN应用线性相关系数重建癌细胞系-药物相关矩阵来预测药物敏感性。据我们所知，这是第一次尝试将图卷积神经网络和线性相关系数相结合来完成这项重要任务。我们对癌症药物敏感性基因组学 (GDSC) 和癌细胞系百科全书 (CCLE) 数据库进行了广泛的评估实验，以验证 MOFGCN 的性能。实验结果表明，MOFGCN 在预测缺失的药物反应方面优于最先进的算法。它还在预测新细胞系、新药物和靶向药物的药物反应方面具有更高的性能。这是第一次尝试将图卷积神经网络和线性相关系数相结合来完成这项重要任务。我们对癌症药物敏感性基因组学 (GDSC) 和癌细胞系百科全书 (CCLE) 数据库进行了广泛的评估实验，以验证 MOFGCN 的性能。实验结果表明，MOFGCN 在预测缺失的药物反应方面优于最先进的算法。它还在预测新细胞系、新药物和靶向药物的药物反应方面具有更高的性能。这是第一次尝试将图卷积神经网络和线性相关系数相结合来完成这项重要任务。我们对癌症药物敏感性基因组学 (GDSC) 和癌细胞系百科全书 (CCLE) 数据库进行了广泛的评估实验，以验证 MOFGCN 的性能。实验结果表明，MOFGCN 在预测缺失的药物反应方面优于最先进的算法。它还在预测新细胞系、新药物和靶向药物的药物反应方面具有更高的性能。我们对癌症药物敏感性基因组学 (GDSC) 和癌细胞系百科全书 (CCLE) 数据库进行了广泛的评估实验，以验证 MOFGCN 的性能。实验结果表明，MOFGCN 在预测缺失的药物反应方面优于最先进的算法。它还在预测新细胞系、新药物和靶向药物的药物反应方面具有更高的性能。我们对癌症药物敏感性基因组学 (GDSC) 和癌细胞系百科全书 (CCLE) 数据库进行了广泛的评估实验，以验证 MOFGCN 的性能。实验结果表明，MOFGCN 在预测缺失的药物反应方面优于最先进的算法。它还在预测新细胞系、新药物和靶向药物的药物反应方面具有更高的性能。