针对药物-药物相互作用预测中的模型过度复杂问题：基于分子指纹的研究
生物大分子
2025-04-01 v1 人工智能
机器学习
摘要
准确预测药物-药物相互作用 (DDI) 对制药研究和临床安全至关重要。近期深度学习模型常因计算成本高且在数据集之间泛化能力有限而受到限制。本研究探讨了一种简单却有效的方法，采用分子表示形式，如摩根指纹 (MFPS)、来自图卷积网络 (GCN) 的图基嵌入，以及集成到 MoLFormer 中的 transformer 派生嵌入，并输入到一个 straightforward 的神经网络中。我们在 DrugBank DDI 数据集划分和来自美国食品药品监督管理局的药物-药物亲和力 (DDA) 数据集上进行基准测试。MFPS 以及 MoLFormer 和 GCN 表示在各种任务中均实现了竞争性能，即使在更具挑战性的 leak-proof 划分中也亦如此，凸显了简单分子表示的足够性。此外，我们能够通过梯度分析识别与药物相互作用相关的关键分子构型和结构模式。尽管如此，数据集局限性（如化学多样性不足、数据集规模有限、标签不一致）影响了稳健评估，并挑战了更复杂方法的必要性。我们的工作提供了一个有意义的基线，并强调了更好数据 curated 以及逐步增加复杂度的必要性。
引用
@article{arxiv.2503.23550,
title = {Addressing Model Overcomplexity in Drug-Drug Interaction Prediction With Molecular Fingerprints},
author = {Manel Gil-Sorribes and Alexis Molina},
journal= {arXiv preprint arXiv:2503.23550},
year = {2025}
}
备注
Accepted to the GEM Workshop at ICLR 2025