MGKAN：基于多模态图 Kolmogorov-Arnold 网络预测非对称药物-药物相互作用

预测药物-药物相互作用（DDI）对于安全的药理治疗至关重要。先前的图神经网络（GNN）模型利用分子结构和相互作用网络，但大多依赖线性聚合和对称假设，限制了其捕获非线性和异构模式的能力。我们提出MGKAN，一种图 Kolmogorov-Arnold 网络，通过引入可学习的基函数用于非对称 DDI 预测。MGKAN将常规MLP变换替换为KAN驱动的基函数，实现对药物关系更具表达性和非线性的建模。为捕获药理依赖性，MGKAN整合了三个网络视图——非对称DDI网络、共互作用网络和生化相似网络——配以角色特定嵌入以保持方向语义。一个融合模块结合线性注意力和非线性变换以增强表示容量。在两个基准数据集上，MGKAN均优于七个最先进的基线。消融研究和案例研究确认了其预测准确性及其在建模方向性药物效应方面的有效性。