基于深度学习方法的药物-药物相互作用预测模型研究.pdfVIP

基于深度学习方法的药物-药物相互作用预测模型研究.pdf

摘要

随着生物制药技术的快速发展，药物-药物相互作用（Drug-DrugInteraction,DDI）预

测逐渐成为保障用药安全与提升治疗效果的研究课题。近年来，深度学习在处理药物分

子图和药物网络等复杂图结构数据中展现出强大的表示学习能力，推动了DDI预测领域

的进步。然而当前常见的DDI预测模型仍存在一定局限性：（1）未能充分考虑药物分

子中关键化学键的特征，导致难以准确捕捉其在DDI预测中的关键作用；（2）传统方

法往往简单地将药物相互作用网络中不同类型的连接关系视为同质连接，忽略了实体之

间的关系差异，使得模型在预测复杂相互作用时表现受限。为了解决上述问题，本文根

据不同任务需求提出了两种DDI预测模型。

针对药物分子内部特征的表达问题，本文提出基于子结构特征的多视图药物相互作

用预测模型。该模型将药物分子序列转化为分子图，通过动态消息传播机制捕捉分子关

键化学键的特征，并与图注意力网络相结合，对药物子结构信息进行特征聚合，最终生

成一个全局分子表示。为进一步增强模型的表达能力，模型采用多视图信息融合机制，

整合分子图特征和分子指纹特征，生成药物的综合表征。实验结果表明，该模型在

DrugBank和Chem-Miner数据集的传导任务和归纳任务中均优于对比方法。尤其是在

DrugBank数据集的两个归纳任务上，在S1任务中，ACC提升了1.50%，AP提升了

2.47%；在S2任务中，F1提升了1.83%，ACC提升了1.38%，验证了多视图协同建模和

分子子结构特征聚合的有效性。

针对传统模型忽略实体之间关系差异的问题，本文提出基于多特征和注意力的跨图

结构药物相互作用预测模型。该模型通过整合药物的化学结构、生物靶标及酶作用等多

源信息，使用异构图卷积网络融合药物相互作用网络中的拓扑信息，并结合自注意力与

交叉注意力机制增强模型的预测能力。经过实验验证，在多分类任务中，该模型在两个

数据集上均优于其他对比方法，在Dataset1上，该模型在Precision指标上提升3.01%，

ACC上提升1.54%，在复杂的多任务设置下，模型依然表现出卓越的鲁棒性和泛化能

力。

关键词：药物-药物相互作用；注意力机制；图神经网络；消息传递机制；多源信息融合

万方数据

Abstract

Withtherapiddevelopmentofbiopharmaceuticaltechnology,Drug-DrugInteraction(DDI)

predictionhasgraduallybecomearesearchtopictoensuredrugsafetyandenhancetherapeutic

effects.Inrecentyears,deeplearninghasdemonstratedpowerfulrepresentationlearningcapability

inprocessingcomplexgraphstructuredatasuchasdrugmoleculargraphsanddrugnetworks,

whichhaspushedforwardtheprogressinthefieldofDDIprediction.However,currentcommon

DDIpredictionmodelsstillhavecertainlimitations:(1)Failuretoadequatelyconsiderthe

characteristicsofkeychemicalbondsindrugmolecules,leadingtodifficultiesinaccurately