通过注意力多视图图自编码器集成药物相似性

药物相似性已被研究用于支持下游临床任务，例如从已知属性推断药物的新属性（如副作用、适应症、相互作用）。新型药物特征日益增长的可用性为学习更全面、准确的药物相似性带来了机遇，这种相似性能够表征潜在药物关系的全谱。然而，整合这些异构、含噪且非线性相关的信息以学习准确的相似性度量极具挑战性，尤其是在标签稀缺的情况下。此外，准确性与可解释性之间存在权衡。在本文中，我们提出从多种类型的药物特征中学习准确且可解释的相似性度量。具体而言，我们使用多视图图自编码器对集成过程进行建模，并加入注意力机制以针对相应任务和特征确定每个视图的权重，从而获得更好的可解释性。我们的模型在半监督和无监督设置下均具有灵活的设计。实验结果表明，预测准确性有显著提升。案例研究还展示了更好的模型能力（例如嵌入节点特征）和可解释性。