基于低维图表示学习的药物重定位预测方法.pdfVIP

与

信息技术信息化计算机应用

基于低维图表示学习的药物重定位预测方法

张笛1

摘要药物重定位作为提高药物研发效率的重要途径，已成为计算药物学研究的热点问题。传统方法在捕捉药

物与靶点间复杂非线性关系方面存在一定局限性。为此，文章提出一种基于低维图表示学习的药物重定

位预测方法。该方法利用图神经网络提取药物-靶点交互网络中的结构信息，并引入变分图自编码器和

生成对抗网络联合学习低维潜在特征表示，从而增强特征表达能力与判别能力。随后，结合梯度提升决

策树构建高效的药物-靶点相互作用预测模型。实验在多个公开数据集上进行，结果表明，所提方法在

ROC和PR值等指标上均优于现有主流方法，具有良好的泛化能力与实际应用潜力，为药物重定位提供

了一种有效的计算框架。

关键词药物重定位；图表示学习；生成对抗网络；图神经网络；药物-靶点相互作用预测

doi：10.3969/j.issn.1672-9528.2025.10.013

0引言graphauto-encoder,VGAE）与生成对抗网络（generative

adversarialnetwork,GAN），有效压缩高维图结构信息，获

随着新药研发成本的持续攀升与周期的显著延长，药物

取更具判别性的低维潜在表示；同时，引入基于梯度提升决

重定位（drugrepositioning,DR）逐渐成为药物发现领域中的

[8]的LightGBM

关键策略[1]。通过挖掘已有药物在新适应症下的潜在治疗作策树（gradientboosteddecisiontree,GBDT）

（lightgradientboostingmachine）作为预测器，以增强模型

用，药物重定位能够有效降低研发风险与成本，加快药物上

的非线性拟合能力与泛化表现。

市速度。与此同时，依托生物医学大数据与计算方法的发展，

本文的主要贡献如下：

计算药物重定位技术在精准医疗和复杂疾病治疗中展现出广

（1）提出一种融合图自编码与对抗生成机制的低维特

阔的应用前景。

征学习框架，有效提升图表示的紧凑性与表达能力；

在众多计算方法中，基于药物靶点相互作用（drug-target

interaction,DTI）预测的药物重定位手段[2]受到广泛关注。（2）构建结合表征学习与集成学习的药物重定位预测

传统方法如协同过滤[3]、矩阵分解[4]或基于结构相似性[5]的模型，在多个基准数据集上实现性能优于现有主流方法；

（3）通过实证分析验证模型在不同场景下的稳健性和

建模方式，虽在一定程度上取得了进展，但通常依赖于稀疏

扩展性，展示其在