基于双分子模态和多步骤增强的药物推荐

基于分子知识的现有工作忽略了分子的 3D 几何结构，无法学习药物的高维信息，导致结构混淆。此外，它未从单个患者就诊中提取关键亚结构，导致无法识别适合当前患者就诊的药物分子。为解决上述局限性，我们提出了一个双模态分子推荐框架，命名为 BiMoRec，它引入 3D 分子结构以获取原子 3D 坐标和边索引，克服了 2D 分子结构缺乏高维分子信息的内在限制。为了保留药物推荐系统的快速训练和预测效率，我们使用双模态图对比预训练，以最大化两种分子模态之间的相互信息，实现 2D 和 3D 分子图的融合。此外，我们设计了分子多步骤增强机制来重新校准分子权重。具体而言，我们采用一种预训练方法，捕获 2D 和 3D 分子结构表示以及亚结构表示，并利用对比学习提取相互信息。我们 then 使用预训练编码器生成分子表示，通过三个步骤增强：就诊内、分子每就诊和最新就诊。最后，我们应用时间信息聚合生成最终的药物组合。我们在 MIMIC-III 和 MIMIC-IV 数据集上的实现表明，该方法实现了最先进的性能。