CASTER：基于化学子结构表示的药物相互作用预测
机器学习
2019-11-21 v2 定量方法
机器学习
摘要
不良的药物-药物相互作用（DDI）仍是发病和死亡的主要原因。在药物设计过程中识别潜在的 DDI 对患者和社会至关重要。尽管已有若干计算模型被提出用于 DDI 预测，但仍存在局限：(1) 缺乏针对 DDI 预测的药物表示的专业设计；(2) 预测基于有限的标注数据，对未见过的药物或 DDI 泛化能力不佳；(3) 模型参数量大，难以解释。本工作中，我们开发了化学子结构表示（ChemicAl SubstrucTurE Representation，CASTER）框架，该框架根据药物的化学结构预测 DDI。CASTER 旨在通过以下方式缓解这些局限：(1) 根植于 DDI 机制的序列模式挖掘模块，以高效刻画药物的功能子结构；(2) 利用标注与未标注化学结构数据的自编码模块，以提升预测准确率和泛化性；(3) 字典学习模块，通过一小系数集解释预测，这些系数度量了各输入子结构与 DDI 结果的相关性。我们在两个真实世界 DDI 数据集上评估了 CASTER，结果表明其优于最先进的基线方法，并提供了可解释的预测。
引用
@article{arxiv.1911.06446,
title = {CASTER: Predicting Drug Interactions with Chemical Substructure Representation},
author = {Kexin Huang and Cao Xiao and Trong Nghia Hoang and Lucas M. Glass and Jimeng Sun},
journal= {arXiv preprint arXiv:1911.06446},
year = {2019}
}
备注
Accepted by AAAI 2020