CADGL：用于预测药物间相互作用的上下文感知深度图学习
机器学习
2026-03-20 v3 人工智能
信息检索
生物大分子
分子网络
摘要
检测药物间相互作用（DDIs）是药物开发过程中的一个关键要素。当一种药物的特性受到其他药物影响时，就会发生DDI。检测有利的DDI有可能为创造和推进适用于实际场景的创新药物铺平道路。然而，现有的DDI预测模型在极端情况下的泛化能力、鲁棒特征提取以及实际应用可能性方面仍面临挑战。我们旨在通过利用上下文感知深度图学习的有效性来应对这些挑战，并引入了一个名为CADGL的新颖框架。基于一个定制的变分图自编码器（VGAE），我们在异构图结构中，使用两个上下文预处理器从局部邻域和分子上下文两个不同视角进行特征提取，从而捕获关键的结构和物理化学信息。我们定制的VGAE由一个图编码器、一个潜在信息编码器和一个MLP解码器组成。CADGL超越了其他最先进的DDI预测模型，在预测具有临床价值的新型DDI方面表现出色，并得到了严格的案例研究支持。CADGL可在以下地址获取：https://github.com/azminewasi/cadgl
引用
@article{arxiv.2403.17210,
title = {CADGL: Context-Aware Deep Graph Learning for Predicting Drug-Drug Interactions},
author = {Azmine Toushik Wasi and Taki Hasan Rafi and Raima Islam and Serbetar Karlo and Dong-Kyu Chae},
journal= {arXiv preprint arXiv:2403.17210},
year = {2026}
}
备注
Preliminary version; full version accepted to the IEEE Transactions on Computational Biology and Bioinformatics (IEEE TCBB) (https://doi.org/10.1109/TCBBIO.2026.3675142). Code: https://github.com/azminewasi/cadgl