ImageDDI：用于药物-药物相互作用预测的图像增强分子基序序列表示
计算机视觉与模式识别
2025-08-13 v1 人工智能
机器学习
摘要
为了减轻同时使用多种药物可能带来的不良健康影响，包括意外的副作用和相互作用，准确识别和预测药物-药物相互作用（DDI）被认为是深度学习领域的一项关键任务。尽管现有方法已展现出有前景的性能，但它们受限于基于功能基序的表示学习瓶颈，因为DDI从根本上是由基序相互作用而非整体药物结构引起的。在本文中，我们提出了一种用于DDI预测的图像增强分子基序序列表示框架，称为ImageDDI，它从全局和局部结构两方面表示一对药物。具体来说，ImageDDI将分子标记化为功能基序。为了有效地表示一对药物，它们的基序被组合成一个单一序列，并从局部结构表示开始，使用基于Transformer的编码器进行嵌入。通过利用药物对之间的关联，ImageDDI利用全局分子图像信息（例如纹理、阴影、颜色和平面空间关系）进一步增强了分子的空间表示。为了将分子视觉信息整合到功能基序序列中，ImageDDI采用了自适应特征融合，通过动态调整特征表示的融合过程来增强ImageDDI的泛化能力。在广泛使用的数据集上的实验结果表明，ImageDDI优于最先进的方法。此外，大量实验表明，与其他模型相比，ImageDDI在2D和3D图像增强场景中均取得了有竞争力的性能。
引用
@article{arxiv.2508.08338,
title = {ImageDDI: Image-enhanced Molecular Motif Sequence Representation for Drug-Drug Interaction Prediction},
author = {Yuqin He and Tengfei Ma and Chaoyi Li and Pengsen Ma and Hongxin Xiang and Jianmin Wang and Yiping Liu and Bosheng Song and Xiangxiang Zeng},
journal= {arXiv preprint arXiv:2508.08338},
year = {2025}
}
备注
Accepted By Information Fusion