面向大规模药物相互作用预测的层次化多关系图表示学习
机器学习
2024-02-29 v1
摘要
大多数现有的药物相互作用(DDI)预测方法主要集中于捕捉药物之间的显式关系，忽略了药物对(DP)之间存在的有价值的隐式相关性，这导致了预测能力较弱。为了解决这个问题，本文提出了一种层次化多关系图表示学习(HMGRL)方法。在HMGRL框架内，我们利用丰富的药物相关异质数据源构建异质图，其中节点代表药物，边代表清晰且多样的关联。采用关系图卷积网络(RGCN)从这些异质图中捕捉药物之间的各种显式关系。此外，开发了一个多视图可微谱聚类(MVDSC)模块，用于捕捉DP之间多个有价值的隐式相关性。在MVDSC中，我们利用多个DP特征构建图，其中节点代表DP，边代表不同的隐式相关性。随后，通过图切割生成多个DP表示，每个表示侧重于不同的隐式相关性。图切割策略使我们的HMGRL能够识别图的强连通社区，从而减少不相关特征的融合。通过组合DP的每个表示视图，我们创建了用于预测DDI的高层DP表示。采用涵盖三个不同任务的两个真实数据集来评估我们HMGRL的有效性。实验结果明确表明，HMGRL在性能上超越了多种前沿方法。
引用
@article{arxiv.2402.18127,
title = {Hierarchical Multi-Relational Graph Representation Learning for Large-Scale Prediction of Drug-Drug Interactions},
author = {Mengying Jiang and Guizhong Liu and Yuanchao Su and Weiqiang Jin and Biao Zhao},
journal= {arXiv preprint arXiv:2402.18127},
year = {2024}
}
备注
14 pages,10 figures