用图卷积网络建模多重用药副作用

使用药物组合（称为多重用药）来治疗复杂疾病和共病的患者十分常见。然而，多重用药的一个主要后果是患者不良反应风险大幅升高。多重用药副作用因药物相互作用而产生，其中一种药物的活性若与另一种药物同服可能发生改变。药物相互作用的知识有限，因为这些复杂关系罕见，且通常在相对较小的临床检测中未被观察到。因此，发现多重用药副作用仍是一项具有重要患者死亡意义的重要挑战。在此，我们提出 Decagon，一种建模多重用药副作用的方法。该方法构建蛋白质-蛋白质相互作用、药物-蛋白质靶点相互作用和多重用药副作用（表示为药物-药物相互作用，其中每种副作用是一种不同类型的边）的多模态图。Decagon 专门开发用于处理具有大量边类型的此类多模态图。我们的方法开发了一种新的图卷积神经网络，用于多模态网络中的多关系链接预测。Decagon 通过给定药物组合在临床上表现的具体副作用（若有）进行预测。Decagon 准确预测多重用药副作用，比基线高出至多 69%。我们发现它自动学习表明患者中多重用药共现的副作用表示。此外，Decagon 对具有强分子基础的副作用建模尤其好，而在主要非分子副作用上，它因跨边类型有效共享模型参数而取得良好性能。Decagon 创造了利用大型药物基因组学和患者数据标记并优先处理副作用以供后续分析的机会。