ADEP: A Novel Approach Based on Discriminator-Enhanced Encoder-Decoder Architecture for Accurate Prediction of Adverse Effects in Polypharmacy

动机：意外的药物相互作用（DDIs）在多药治疗中具有重大风险，强调了需要预测方法。最近计算技术的进步旨在解决这一挑战。 方法：我们介绍ADEP，一种新颖的方法，它集成了鉴别器和编码器-解码器模型，以解决数据稀疏性并增强特征提取。ADEP采用包括多种分类方法在内的三部分模型，以预测多药治疗中的不良反应。 结果：对基准数据集的评估显示，ADEP的表现优于众所周知的方法，如GGI-DDI、SSF-DDI、LSFC、DPSP、GNN-DDI、MSTE、MDF-SA-DDI、NNPS、DDIMDL、Random Forest、K-Nearest-Neighbor、Logistic Regression和Decision Tree。关键指标包括准确度、AUROC、AUPRC、F-score、召回率、精确率、假阴性和假阳性。ADEP在预测多药治疗中的不良反应方面实现了更准确的预测。一项真实数据的案例研究说明了ADEP在识别潜在DDIs和预防不良反应方面的实际应用。 结论：ADEP显著推进了多药治疗不良反应的预测，提供了更高的准确性和可靠性。其创新的架构增强了从稀疏医疗数据中提取特征的能力，提高了药物安全性和患者的治疗效果。 可用性：源代码和数据集可在https://github.com/m0hssn/ADEP上获得。

ADEP论文旨在解决多药物治疗中未预料到的药物相互作用问题，提出了一种新的计算方法，以提高预测准确性。

ADEP采用判别器和编码器-解码器模型相结合的方法，以应对数据稀疏性和提高特征提取能力。它包括多种分类方法，可预测多药物治疗中的不良反应。

ADEP在基准数据集上的评估表明，其表现优于其他已知方法，并提供了更准确和可靠的预测结果。它的创新架构提高了从稀疏医疗数据中提取特征的能力，有助于提高药物安全和患者预后。论文提供了源代码和数据集。

在这个领域中，最近的相关研究包括GGI-DDI、SSF-DDI、LSFC、DPSP、GNN-DDI、MSTE、MDF-SA-DDI、NNPS、DDIMDL、Random Forest、K-Nearest-Neighbor、Logistic Regression和Decision Tree等方法。