对于需要服用多种药物的病人来说，如何确保这些药物在实现功能的同时不会相互作用对人体造成伤害是个值得思考的问题。
药物 - 药物相互作用 (drug-drug interaction, DDI) 预测用于识别药物组合之间的相互作用，其中由于理化不相容性而引起的不良反应已引起广泛关注。以往的研究通常从整个药物分子的单双视角对药物信息进行建模，而忽略了原子间详细的相互作用，导致信息不完整和有噪声，限制了 DDI 预测的准确性。在这项工作中，微软研究院科学智能中心的研究员和湖南大学 DrugAI 团队首次提出了一种新的用于 DDI 预测的双视图药物表示学习网络 (“DSN-DDI”)，该网络迭代地使用局部和全局表示学习模块，同时从单个药物 (“intra-view”) 和药物对 (“inter-view”) 中学习药物子结构。DSN-DDI 显著提高了现有药物的 DDI 预测性能，显示出在现实世界中 DDI 应用的有用性，在协同药物组合预测方面表现出良好的可转移性，可作为药物发现领域的通用框架。
代码链接：microsoft/Drug-Interaction-Research at DSN-DDI-for-DDI-Prediction (github.com)
本文创新和贡献：
-
DSN-DDI 采用了局部和全局的迭代表示学习模块，充分利用药物表征和药物对表征来进行子结构提取和药物相互作用 (DDI) 预测。
-
DSN-DDI 在转导设置和感应设置方面均达到了最先进的性能，并显示出对真实世界 DDI 应用的有用性。
-
DSN-DDI 具有良好的可转移性，可以作为药物发现领域的通用框架。
1. 方法介绍
在本研究中，为了充分利用来自不同 GNN 块的药物隐藏表示和利用原子层面的双视图信息，本文设计了 DSN-DDI，它采用了迭代的局部和全局表示学习模块，同时从 “intra-view” 和 “inter-view” 学习药物子结构，并使用所有分层的全局表示进行 DDI 预测，而不依赖额外的领域知识。这使得该模型同样适用于只有药物化学结构可及的诱导环境。DSN-DDI 可分为子结构学习模块和 DSN 解码器模块，前者用于从双视角学习药物对的子结构，后者用于子结构集成和最终的 DDI 预测。本文将药物相互作用预测问题形式化为二分类问题，并提出了一种新的药物 - 药物图。
DSN-DDI 是一个从双视角迭代学习药物子结构的图神经网络 (GNN)，通过两种药物所有子结构之间的相互作用预测 DDI。在每个 GNN 块中，通过聚合相邻节点的信息来更新节点，然后进行子结构提取过程。一系列的 GNN 块具有不同尺度的感受野，导致不同的提取子结构。
对于相邻的节点，在 “intra-view” 中，它被定义为与药物分子的中心节点有化学键的节点。作为对比，在 “inter-view” 中，本文通过将一种药物中的一个节点与另一种药物中的所有节点连接起来来定义边界，从而形成二分图。然后通过聚合另一种药物的所有节点信息来更新一种药物的节点。
DSN-DDI 由子结构学习模块和 DSN 解码器组成。以两个用于 “intra-view” 学习的单药物图和一个用于 “inter-view” 学习的二分图作为输入，子结构学习模块具有局部 (原子级) 和全局 (药物级) 表示学习过程。
DSN 编码器用于学习局部表示，由两种药物具有共享权重的表示提取层、每种药物各自的 “intra-view” 层和两种药物之间的 “inter-view” 层组成，并同时对药物内部 (intra-view) 和药物对 (inter-view) 原子之间的相互作用进行编码，然后聚合 “intra-view” 和 “inter-view” 的信息以更新下一个 DSN 编码器的节点表示。在 DSN 编码块之后，本文设计了一个自我注意图 (SAG) 池化层来学习药物对的全局表示。由于一系列编码器捕获相邻信息的顺序不同，因此从不同的角度提取子结构。
内容中包含的图片若涉及版权问题，请及时与我们联系删除
评论
沙发等你来抢