面向药物-药物相互作用预测的多尺度图神经过程与跨药物协同注意力
机器学习
2026-03-27 v1 人工智能
摘要
准确预测药物-药物相互作用（DDI）对用药安全和有效药物开发至关重要。然而，现有方法往往难以捕捉从局部官能团到全局分子拓扑等不同尺度的结构信息，且通常缺乏量化预测置信度的机制。为解决这些局限，我们提出了MPNP-DDI，一种新颖的多尺度图神经过程框架。MPNP-DDI的核心是一种独特的消息传递方案，通过迭代应用，学习多尺度层次化的图表示表示。关键的是，跨药物协同注意力机制随后动态融合这些多尺度表示，为相互作用的药物对生成上下文感知的嵌入，同时集成的神经过程模块提供原则性的不确定性估计。大量实验表明，MPNP-DDI在基准数据集上显著优于最先进基线方法。通过基于多尺度结构特征提供准确、泛化且具备不确定性感知的预测，MPNP-DDI代表了药物警戒、多药风险评估和精准医学领域强大的计算工具。
引用
@article{arxiv.2509.15256,
title = {A Multi-Scale Graph Neural Process with Cross-Drug Co-Attention for Drug-Drug Interactions Prediction},
author = {Zimo Yan and Jie Zhang and Zheng Xie and Yiping Song and Hao Li},
journal= {arXiv preprint arXiv:2509.15256},
year = {2026}
}