从分类到生成：基于图式特征融合的创伤性药物反应预测的开放范式
机器学习
2026-01-06 v1 人工智能
摘要
计算生物学为通过创伤性药物反应（ADR）预测显著降低新药开发的高成本和周期性问题提供了巨大潜力。然而，当前方法仍受制于药物数据稀缺导致的冷启动挑战、封闭标签集合以及不足的标签依赖建模。本文提出了一种基于图式特征融合和多标签生成（GM-MLG）的开放式ADR预测范式。利用分子结构作为内在且天然的特征，GM-MLG构建了一个跨原子层级、局部分子层级（利用通过BRICS算法动态提取的精细图式组合额外碎片化规则）和全局分子层级的双图表示架构。独特地，GM-MLG首次将ADR预测从多标签分类转化为基于Transformer解码器的多标签生成。将ADR标签视为离散标记序列，利用位置嵌入显式捕获大规模标签空间中的依赖性和共现关系，通过自回归解码生成预测，从而动态扩展预测空间。实验表明，GM-MLG实现了最高38%的改进，平均提升20%，将预测空间从200类型扩展到超过10,000类型。此外，本文通过反向合成图式分析阐明了ADR与图式之间的非线性结构-活性关系，为系统性降低药物安全风险提供可解释且创新的支持。
引用
@article{arxiv.2601.01347,
title = {From Classification to Generation: An Open-Ended Paradigm for Adverse Drug Reaction Prediction Based on Graph-Motif Feature Fusion},
author = {Yuyan Pi and Min Jin and Wentao Xie and Xinhua Liu},
journal= {arXiv preprint arXiv:2601.01347},
year = {2026}
}
备注
34 pages,5 figures