基于多模态图深度生成模型的多药联用建模与药物-药物相互作用预测
机器学习
2023-02-20 v1
摘要
当代图自编码器模型所产生的药物及其靶标的潜表示已被证明可用于预测大型网络上的多种节点对交互，包括药物-药物、药物-靶标和靶标-靶标交互。然而，大多数现有方法要么对节点分布僵化的节点潜空间进行建模，要么不能有效捕捉药物间的相互关系；这些局限阻碍了方法准确预测药物对交互的能力。本文中，我们展示了变分图自编码器（VGAE）在多模态网络上建模潜节点表示的有效性。我们的方法可为多模态图的每种节点类型生成灵活的潜空间；这些嵌入随后被用于在不同边类型下预测节点对之间的链接。为进一步提升模型性能，我们提出了一种新方法，在将药物送入解码阶段进行链接预测之前，将捕捉各药物分子结构的Morgan指纹与其潜嵌入进行拼接。我们提出的模型在三个多模态网络上展示了具有竞争力的结果：（1）由药物和蛋白节点组成的多模态图，（2）由DrugBank数据库子集构建的、涉及不同交互类型药物节点的多模态图，以及（3）由药物和细胞系节点组成的多模态图。我们的源代码公开于 https://github.com/HySonLab/drug-interactions。
引用
@article{arxiv.2302.08680,
title = {Modeling Polypharmacy and Predicting Drug-Drug Interactions using Deep Generative Models on Multimodal Graphs},
author = {Nhat Khang Ngo and Truong Son Hy and Risi Kondor},
journal= {arXiv preprint arXiv:2302.08680},
year = {2023}
}
备注
arXiv admin note: substantial text overlap with arXiv:2209.09941