用于预测药物-药物相互作用的中心平滑超图神经网络
机器学习
2023-04-05 v4 生物大分子
应用统计
摘要
预测药物-药物相互作用（DDI）是指利用药物信息及许多药物对的已知副作用，预测一对药物的副作用（非预期结果）的问题。该问题可表述为预测 DDI 图中每对节点的标签（即副作用），其中节点为药物，边为具有已知标签的相互作用药物。该问题的最先进方法是图神经网络（GNN），其利用图中的邻域信息来学习节点表示。然而，对于 DDI，由于副作用的性质，存在许多具有复杂关系的标签。通常的 GNN 常将标签固定为独热向量，不能反映标签关系，并可能在罕见标签的困难情形下无法取得最高性能。在本文中，我们将 DDI 表述为一个超图，其中每条超边为一个三元组：两个药物节点和一个标签节点。随后我们提出 CentSmoothie，一种超图神经网络，通过新颖的中心平滑公式一并学习节点与标签的表示。我们在模拟及真实数据集中实证展示了 CentSmoothie 的性能优势。
引用
@article{arxiv.2112.07837,
title = {Central-Smoothing Hypergraph Neural Networks for Predicting Drug-Drug Interactions},
author = {Duc Anh Nguyen and Canh Hao Nguyen and Hiroshi Mamitsuka},
journal= {arXiv preprint arXiv:2112.07837},
year = {2023}
}