用于学习更佳药物-药物相互作用表征的 GFlowNets
机器学习
2025-10-31 v2 生物大分子
分子网络
摘要
药物-药物相互作用（DDI）在临床药理学中构成重大挑战，其严重的类别不平衡问题限制了预测模型的效果。常见型别主导数据集，而稀有但关键型别则显得不足，导致模型在稀有案例中的表现不佳。现有方法常将 DDI 预测视为二元问题，忽视类别特定的细微差异，加剧对频繁型别的偏见。为此，我们提出一种将生成流网络（GFlowNet）与变分图自动编码器（VGAE）结合的框架，用于为稀有类别生成合成样本，提高模型平衡性并生成有效且新颖的 DDI 对。该方法提升了各型别间的预测性能，确保更贴近临床实际。
引用
@article{arxiv.2508.06576,
title = {GFlowNets for Learning Better Drug-Drug Interaction Representations},
author = {Azmine Toushik Wasi},
journal= {arXiv preprint arXiv:2508.06576},
year = {2025}
}
备注
Accepted to ICANN 2025:AIDD and NeurIPS 2025 Workshop on Structured Probabilistic Inference & Generative Modeling (https://openreview.net/forum?id=LZW1jSgfCI)