用于可解释且可泛化药物协同预测的因果子结构解耦
机器学习
2025-11-05 v1 人工智能
摘要
药物协同预测是开发针对复杂疾病（包括癌症）的有效联合疗法中的关键任务。尽管已有方法显示出鼎舞效果，但它们常常作为黑盒预测器，主要依赖药物特征与结果之间的统计相关性。为解决这一局限性，我们提出 CausalDDS 框架，通过解耦药物分子中的因果与虚构子结构，利用因果子结构表示进行药物协同预测。通过关注因果子结构，CausalDDS 有效缓解了由虚构子结构引入的冗余特征的影响，增强了模型的准确性和可解释性。此外，CausalDDS 采用条件干预机制，干预条件为配对的分子结构，并引入以充分性和独立性原则为指导的新型优化目标。大量实验表明，我们的方法优于基线模型，尤其在冷启动和超出分布情形下效果更佳。此外，CausalDDS 有效识别药物协同的关键子结构，提供了关于药物联合如何在分子水平上起作用的清晰见解。这些结果凸显了 CausalDDS 作为预测药物协同和促进药物发现实用工具的潜力。
引用
@article{arxiv.2511.02146,
title = {Disentangling Causal Substructures for Interpretable and Generalizable Drug Synergy Prediction},
author = {Yi Luo and Haochen Zhao and Xiao Liang and Yiwei Liu and Yuye Zhang and Xinyu Li and Jianxin Wang},
journal= {arXiv preprint arXiv:2511.02146},
year = {2025}
}