MMM：基于分子电子局域化函数（ELF）的量子化学分子表示学习用于组合药物推荐
机器学习
2025-10-10 v1 人工智能
计算机视觉与模式识别
摘要
药物推荐是机器学习驱动的临床决策支持系统中的重要任务。然而，联合用药之间药物-药物相互作用（DDI）的风险仍是一个重要挑战。以往的研究使用图神经网络（GNN）来表示药物结构。但其简化的离散形式无法完全捕捉分子结合亲和力和化学活性。因此，我们提出了一种新的框架——多模态DDI预测与分子电子局域化函数（ELF）图（MMM），将三维（3D）量子化学信息集成到药物表示学习中。它利用 ELF 生成三维电子密度图。为捕捉治疗相关性和相互作用风险，MMM 将编码全局电子属性的 ELF 派生特征与建模局部亚结构相互作用的二分图编码器相结合。这种设计使我们能够学习药物分子的互补特征。我们在 MIMIC-III 数据集上评估了 MMM（包含 250 种药物、442 个亚结构），并与多个基线模型进行比较。特别是与基于 GNN 的 SafeDrug 模型进行比较，显示在 F1 分数（p = 0.0387）、Jaccard（p = 0.0112）和 DDI 率（p = 0.0386）上均显著提升。这些结果表明，基于 ELF 的三维表示有望提高预测准确性，支持临床实践中更安全的组合处方。
引用
@article{arxiv.2510.07910,
title = {MMM: Quantum-Chemical Molecular Representation Learning for Combinatorial Drug Recommendation},
author = {Chongmyung Kwon and Yujin Kim and Seoeun Park and Yunji Lee and Charmgil Hong},
journal= {arXiv preprint arXiv:2510.07910},
year = {2025}
}
备注
Medical Image Computing and Computer-Assisted Intervention (MICCAI) Predictive Intelligence in Medicine Workshop (MICCAI PRIME) 2025; 13 pages