基于多层次结构建模的药物相互作用类型预测

作     者：吴怀瑾 卜家梓 杨念祖 孙垚 宋海涛 柳宁 严骏驰 Huajin WU;Jiazi BU;Nianzu YANG;Yao SUN;Haitao SONG;Ning LIU;Junchi YAN

作者机构：上海交通大学人工智能教育部重点实验室上海200240 之江实验室杭州311121 上海人工智能研究院上海200240 上海交通大学人工智能学院上海200240 

出 版 物：《中国科学:信息科学》 (Scientia Sinica(Informationis))

年 卷 期：2025年第55卷第2期

页      面：356-371页

核心收录：

学科分类：1007[医学-药学(可授医学、理学学位)] 12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 10[医学] 

基　　金：国家自然科学基金重大研究计划(批准号:92370201) 国家自然科学基金优秀青年基金(批准号:62222607)资助项目 

主　　题：机器学习 药物相互作用 多层次 图神经网络 端到端 

摘      要：药物相互作用(drug-drug interactions,DDIs)通常在多种药物共同使用时发生.某些药物之间的相互作用可以带来积极的治疗效果,而某些药物相互作用引起的反应可能会带来严重的影响,甚至危及生命,这使得预测某两种药物之间是否存在相互作用乃至何种类型变得至关重要.而实验研究DDIs的需求和成本不断增长,凸显了采用计算方法,尤其是机器学习方法以预测DDIs的价值.然而,此前基于机器学习的方法均未能全面建模DDIs问题中包括药物自身分子子结构、全结构和药物相互作用网络结构在内的3个层级信息,部分方法还依赖于大规模生物知识图谱,增加了模型的推理成本.本文提出HierDDI,它仅通过数据集中的DDIs即能构建一个多层次图结构,而无需依赖附加知识图谱.更具体地说,HierDDI通过建模药物自身分子子结构、全结构、药物相互作用网络结构这3个层面,来预测药物相互作用.由此不仅捕获了药物自身的结构信息,还将药物间的相互作用考虑在内,并通过端到端的训练,建立模型对DDIs的全面理解.本文所有模块的设计都非常简洁,广泛的实验展示了本文提出的方法明显优于目前药物相互作用领域的领先方法,成为目前表现最佳的模型.在DrugBank和Twosides等公开数据集上,本文提出的方法在直推式(transductive)场景中的准确率比当前领先方法提高了0.58%和2.02%,而在归纳式(inductive)场景中则更是提高了4.20%和3.52%.源代码发布在https://***/wuhuaijin/HierDDI.