Node2Vec-DGI-EL：一种用于成分-疾病关联预测的层次图表示学习模型
机器学习
2025-05-02 v1
摘要
中医药作为传统医学的重要组成部分，其活性成分是现代药物开发的关键来源，蕴藏着巨大的治疗潜力和开发价值。从中医药到疾病形成了一个多层次、复杂的网络，可用于预测中药成分与疾病之间的潜在关联。本研究提出了一种基于层次图表示学习的成分-疾病关联预测模型（Node2Vec-DGI-EL）。首先，该模型使用 Node2Vec 算法从网络中提取节点嵌入向量作为节点的初始特征。接着，利用 DGI 算法对网络节点进行深度表示和学习，以增强模型的表达能力。为了提高预测的准确性和鲁棒性，融入了集成学习方法以实现更精确的成分-疾病关联预测。随后，通过一系列理论验证评估了模型的有效性。结果表明，所提出的模型显著优于现有方法，AUC 达到 0.9987，AUPR 达到 0.9545，从而表明其优越的预测能力。消融实验进一步揭示了每个模块的贡献和重要性。此外，案例研究探索了潜在的关联，如雷公藤甲素与高血压性视网膜病变、熊果酸甲酯与结直肠癌。分子对接实验验证了这些发现，显示雷公藤甲素-PGR 相互作用和熊果酸甲酯-NFE2L2 相互作用能够稳定结合。总之，Node2Vec-DGI-EL 模型专注于中医药数据集，有效预测成分-疾病关联，克服了对节点语义信息的依赖。
引用
@article{arxiv.2505.00236,
title = {Node2Vec-DGI-EL: A Hierarchical Graph Representation Learning Model for Ingredient-Disease Association Prediction},
author = {Leifeng Zhang and Xin Dong and Shuaibing Jia and Jianhua Zhang},
journal= {arXiv preprint arXiv:2505.00236},
year = {2025}
}