DPASyn：基于双重注意力与精度感知量化的机制感知药物协同预测
机器学习
2026-03-26 v2 定量方法
摘要
药物组合是癌症治疗的关键，通过利用协同的药物-药物相互作用(DDI)来增强疗效并对抗耐药性。然而，庞大的组合空间使得实验筛选变得不切实际，而现有的计算模型难以捕捉 DDI 复杂的双向特性，往往依赖于独立的药物编码或简单的融合策略，从而错失了细粒度的分子间动力学。此外，SOTA 基于图的方法计算成本高昂，限制了其在现实世界药物发现中的可扩展性。为了解决这一问题，我们提出了 DPASyn，这是一个具有双重注意力机制和精度感知量化(PAQ)的新型药物协同预测框架。双重注意力架构通过共享投影和跨药物注意力联合建模药物内结构和药物间相互作用，实现了细粒度且具有生物学合理性的协同建模。虽然这种增强的表达能力带来了计算资源消耗的增加，但我们提出的 PAQ 策略通过在训练期间根据特征敏感性动态优化数值精度对其进行了补充——在不牺牲精度的情况下减少了 40% 的内存使用，并将训练速度提高了三倍。结合用于训练稳定性的 LayerNorm 稳定残差连接，DPASyn 在 O'Neil 数据集（13,243 种组合）上优于七种 SOTA 方法，并支持在单 GPU 上对多达 256 个图进行全批处理，为高效且富有表达能力的药物协同预测设定了新标准。
引用
@article{arxiv.2505.19144,
title = {DPASyn: Mechanism-Aware Drug Synergy Prediction via Dual Attention and Precision-Aware Quantization},
author = {Yuxuan Nie and Yutong Song and Jinjie Yang and Yupeng Song and Yujue Zhou and Hong Peng},
journal= {arXiv preprint arXiv:2505.19144},
year = {2026}
}