基于知识子图学习的准确且可解释的药物-药物相互作用预测
机器学习
2024-03-20 v2 人工智能
摘要
背景：发现潜在的药物-药物相互作用（DDIs）是临床治疗和药物开发中长期存在的挑战。近来，深度学习技术已被用于 DDI 预测。然而，它们通常需要大量样本，而已知 DDI 却很少。方法：本工作中，我们提出 KnowDDI，一种基于图神经网络的方法，以应对上述挑战。KnowDDI 通过自适应利用来自大型生物医学知识图的丰富邻域信息来增强药物表示。随后，它为每一对药物学习一个知识子图以解释预测的 DDI，其中每条边都关联一个连接强度，指示已知 DDI 的重要性或连接未知的药物对之间的相似强度。因此，DDI 的缺乏被丰富的药物表示和传播的药物相似性隐式补偿。结果：我们在两个基准 DDI 数据集上评估 KnowDDI。结果表明 KnowDDI 取得了最先进的预测性能且具有更好的可解释性。我们还发现，在较稀疏的知识图下，KnowDDI 比现有工作的性能下降更少。这表明当药物表示丰富度较低时，传播的药物相似性在补偿 DDI 缺乏方面发挥着更重要的作用。结论：KnowDDI 巧妙结合了深度学习技术的效率与生物医学知识图中的丰富先验知识。作为一个原创的开源工具，KnowDDI 可帮助在广泛的相关交互预测任务中检测可能的相互作用，如蛋白质-蛋白质相互作用、药物-靶标相互作用和疾病-基因相互作用，最终促进生物医学与医疗的发展。
引用
@article{arxiv.2311.15056,
title = {Accurate and interpretable drug-drug interaction prediction enabled by knowledge subgraph learning},
author = {Yaqing Wang and Zaifei Yang and Quanming Yao},
journal= {arXiv preprint arXiv:2311.15056},
year = {2024}
}
备注
Accepted to Nature Communications (Medicine)