药物交互向量神经网络：DrIVeNN

多重用药（polypharmacy）指为治疗单一病症而同时使用多种药物，在患有多种或复杂病症的患者中十分常见。然而，随着治疗方案中加入更多药物，不良药物事件（ADEs）的风险迅速上升。许多与多重用药相关的严重 ADE 仅在药物投入使用后才被发现。在临床试验中测试每一种可能的药物组合是不现实的。该问题在患有心血管疾病（CVD）的老年人群中尤为普遍，其中多重用药和 ADE 常被观察到。在本研究中，我们的主要目标是识别关键药物特征，以构建并评估一个用于建模多重用药 ADE 的模型。我们的次要目标是在一个特定领域的案例研究中评估我们的模型。我们开发了一个两层神经网络，融合了分子结构、药物-蛋白质相互作用和单一药物副作用等药物特征（DrIVeNN）。我们使用公开可用的副作用数据库评估了 DrIVeNN，并确定方差阈值为 0.95 的主成分分析（PCA）是最有效的特征选择方法。在药物-药物相互作用预测任务中，DrIVeNN 的 AUROC 表现略优于 RESCAL、DEDICOM、DeepWalk、Decagon、DeepDDI、KGDDI 和 KGNN 等最先进模型。我们还开展了一个以心血管疾病（CVD）治疗为中心的特定领域案例研究。当将性能最佳的模型架构应用于 CVD 治疗队列时，相较于通用模型性能显著提升。我们观察到 CVD 药物对预测的的平均 AUROC 从 0.826（通用模型）提升至 0.975（CVD 专用模型）。我们的发现表明，特定领域模型在提高药物-药物相互作用预测准确性方面具有强大潜力。