基于图卷积神经网络的药物相互作用预测方法研究.pdf

摘要

药物组合是指为了达到治疗疾病目的而采用的两种或两种以上药物同时或先后应

用。尽管在临床治疗中，药物组合表现出显著的治疗效果，但多种药物使用过程中会因

为理化不相容而存在引起不良副作用、损害病人身体的风险。理解和有效预测药物之间

的相互作用，能够最小化药物不良反应，提高药物协同效应和疾病治疗效果，对促进人

类健康具有重要的意义，已成为生物信息领域的研究热点。近年来，随着生物技术的快

速发展，药物及其相关的各类生物数据得到大量积累，为基于计算的药物-药物相互作用

预测研究奠定了基础。

最近，深度学习技术在计算机视觉、自然语言处理等领域应用上取得了显著的成功，

受到研究人员的广泛关注。相对于以往的基于系统生物学及基于网络的方法，将深度学

习技术应用到药物-药物相互作用预测中能够有效提高预测的精度，为药物组合治疗提

供更有价值的参考。然而，现有的一些药物及其相关数据库在数据类别、组织及存储等

方面存在差异，已有研究在对药物等实体特征进行表示时并不能有效融合多源数据信息，

在知识表示中也往往忽略了药物-药物间的关系信息。针对如何有效整合多源药物数据

预测药物相互关系的问题，论文在对药物数据库分析的基础上，整合多种药物特征数据

构建多源药物网络，并将深度学习技术应用到药物相互作用预测中，具有较好的预测性

能。具体研究内容体现在一下两个方面：

（1）针对现有计算方法大多仅聚合药物节点的邻居信息更新药物的表示，忽略了

不同数据源提供的关系信息，导致学习过程不全面的问题。提出了一种基于多源信息集

成和多关系LightGCN模型的DDI预测方法RLGCN。该方法首先利用药物-药物相互作

用和三种药物特征（化学子结构、靶标、酶）构建多源药物网络。然后利用改进的

LightGCN方法在不同药物网络中分别聚合邻居嵌入和关系嵌入来学习关系特定的药物

嵌入，并使用多任务学习进行优化。最后，使用深度多模态方法学习不同关系下药物对

的跨模态表示预测药物-药物相互作用事件。实验结果表明，RLGCN相比其它算法具有

较好的性能。消融研究和案例研究证实了捕获关系信息的重要性，验证了模型的实际应

用价值。

I

（2）针对现有计算方法根据交互类型分别提取特征，未对多源数据融合后的药物

间整体交互进行建模的问题。提出了一种基于子图生成的图卷积神经网络预测药物-药

物相互作用的方法SubGCN。该方法首先利用收集的药物-药物相互作用和多源药物特

征（化学子结构、靶标、酶）构建多源融合药物交互矩阵。然后利用子图生成图卷积神

经网络在多源融合药物图上进行嵌入传播。通过在嵌入传播过程中考虑药物特征和图结

构信息对药物进行分组以生成子图，并在子图内聚合药物节点的高阶邻居，学习更加精

细的药物表示。最后，对得到的药物表示分别训练深度神经网络子模型以实现药物-药物

相互作用的预测。实验证明，SubGCN相比其它对比方法在性能上具有一定的优越性。

消融研究和案例研究也验证了融合多源数据提取相关信息对模型性能的影响，以及模型

的稳定性与可靠性。

关键词：药物-药物相互作用，深度学习，图卷积神经网络

II

目录

摘要·········································································································I

ABSTRACT·······························································································III

第1章绪论·····························································································1

1.1研究背景及意义················································································1

1.2国内外研究现状···