GFlowNets 用于学习更好的药物相互作用表示.pdfVIP

GFlowNets用于学习更好的药物相互作用表示

AzmineToushikWasi

ShahjalalUniversityofScienceandTechnology,Bangladesh

azmine32@

摘要药物与药物之间的相互作用在临床药理学中构成了重大挑战，由于

不同相互作用类型之间存在严重的类别不平衡问题，限制了预测模型的有

效性。常见的相互作用主导数据集，而罕见但关键的相互作用则代表性不

本足，导致模型在处理不常见情况时表现不佳。现有方法通常将药物相互作

用（DDI）预测视为一个二元问题，忽视了类别的特定细微差别，并加剧了

译对频繁相互作用的偏见。为了解决这个问题，我们提出了一种结合生成流

中网络（GFlowNet）和变分图自动编码器（VGAE）的框架来生成稀有类别

1的人工样本，以提高模型平衡并生成有效且新颖的药物相互作用对。我们

v的方法提高了各种相互作用类型的预测性能，确保了更好的临床可靠性。

6

7

5Keywords:药物相互作用预测·类不平衡问题·GFlowNet·变分自编

6码器·合成数据生成

0

.

8

01介绍

5

2

:药物与药物之间的相互作用（DDIs）在临床药理学中是一个关键问题，

v

i因为不良的相互作用可能导致患者受到重大伤害并降低治疗效果[24]。为了

x

r预测DDIs，已经开发了许多计算模型，利用从化学结构到生物网络的各种

a

特征[3,23]。然而，在这个领域普遍存在一个挑战，即交互类型之间的严重

类别不平衡。常见的相互作用类型，如协同效应或已充分表征的不良反应，

在数据集中占主导地位，而罕见的相互作用类型则代表性不足[5]。这种不平

衡阻碍了模型学习与不常见相互作用相关的细微模式的能力。结果，对稀有

但具有临床重要性的交互类型的预测性能受到了影响。因此，数据分布的差

异迫切需要在DDI预测方面创新解决方案。

鉴于类别不平衡，现有的最先进的方法通常在二元设置[3,20,13]中进

行训练，将药物-药物相互作用预测任务视为简单的存在或不存在问题。这

种二元框架倾向于忽略不同交互类型之间的内在异质性。因此，模型变得偏

向于常见的交互类型，并且无法充分捕捉稀有类别的潜在特征。这项工作

2A.T.Wasietal.

的动机源于认识到“一刀切”的方法不足以捕获DDI的多样性。解决不平

衡问题是提高这些预测可靠性和临床实用性的关键[3]。通过承认并明确针

对交互频率的差异，我们旨在弥合理论性能和实际应用之间的差距，使用

GFlowNets[15,16]。

为缓解类别不平衡带来的挑战，我们提出了一种创新框架，该框架将生

成流网络（GFlowNet）[1,8]模块与变分图自动编码器（VGAE）[13,20]相

结合。我们的方法首先计算每种交互类型的奖励，该奖励与其频率成反比，

从而引导采样过程向代表性不足的类别倾斜。GFlowNet模块通过首先根据

此奖