基于关系感知图结构嵌入与协同对比学习的药物-药物相互作用预测
机器学习
2023-08-21 v2 生物大分子
摘要
关系感知图结构嵌入在多关系药物-药物相互作用（DDI）预测中很有前景。通常，大多数现有方法首先构建多关系 DDI 图，然后从 DDI 图学习药物的关系感知图结构嵌入（RaGSE）。然而，大多数现有方法在学习新药 RaGSE 方面通常受限，导致当测试 DDI 涉及此类药物时出现过拟合。为缓解该问题，我们提出一种基于关系感知图结构嵌入与协同对比学习的新型 DDI 预测方法 RaGSECo。所提 RaGSECo 构建两个异构药物图：一个多关系 DDI 图和一个多属性药物-药物相似度（DDS）图。这两个图分别用于学习和传播药物的 RaGSE，旨在确保所有药物（包括新药）都能拥有有效的 RaGSE。此外，我们提出一种新颖的协同对比学习模块来学习药物对（DP）表示。该机制从两个不同视角（相互作用视角和相似度视角）学习 DP 表示，并鼓励这些视角相互协同监督，以获得更具判别力的 DP 表示。我们在两个真实数据集上使用三个不同任务评估了 RaGSECo 的有效性。实验结果表明 RaGSECo 优于现有最先进的预测方法。
引用
@article{arxiv.2307.01507,
title = {Relation-aware graph structure embedding with co-contrastive learning for drug-drug interaction prediction},
author = {Mengying Jiang and Guizhong Liu and Biao Zhao and Yuanchao Su and Weiqiang Jin},
journal= {arXiv preprint arXiv:2307.01507},
year = {2023}
}
备注
14pages, 23figures