融合元启发式优化的混合计算智能框架用于药物相互作用预测
摘要
药物相互作用（DDI）是可预防不良事件的主要原因，常常使治疗复杂化并增加医疗成本。同时，了解哪些药物不发生相互作用同样重要，因为此类知识有助于更安全的处方和更好的患者预后。在本研究中，我们提出了一种可解释且高效的框架，将现代机器学习与领域知识相结合，以改进DDI预测。我们的方法结合了两种互补的分子嵌入——捕捉片段级结构模式的Mol2Vec和学习上下文化学特征的SMILES-BERT——以及一种无泄漏、基于规则的临床评分（RBScore），该评分在不依赖相互作用标签的情况下注入药理学知识。然后，使用一种新颖的三阶段元启发式策略（RSmpl-ACO-PSO）优化轻量级神经网络分类器，该策略平衡了全局探索和局部细化以实现稳定性能。在真实世界数据集上的实验表明，该模型实现了高预测精度（在DrugBank上ROC-AUC为0.911，PR-AUC为0.867），并且能够很好地泛化到临床相关的2型糖尿病队列。除了原始性能之外，研究还展示了嵌入融合、RBScore和优化器各自如何贡献于精度和鲁棒性。这些结果共同突显了一条构建可靠、可解释且计算高效的模型的实用途径，这些模型可以支持更安全的药物治疗和临床决策。
引用
@article{arxiv.2510.09668,
title = {A Hybrid Computational Intelligence Framework with Metaheuristic Optimization for Drug-Drug Interaction Prediction},
author = {Maryam Abdollahi Shamami and Babak Teimourpour and Farshad Sharifi},
journal= {arXiv preprint arXiv:2510.09668},
year = {2026}
}
备注
After further internal review, we identified that the methodological contribution claimed in Section 3 substantially overlaps with prior published work and lacks sufficient novel theoretical or empirical justification. As this affects the core contribution, the authors request withdrawal rather than replacement