STNN-DDI：一种用于预测药物-药物相互作用的子结构感知张量神经网络
机器学习
2021-12-07 v2 机器学习
摘要
动机：多类型药物-药物相互作用（DDI）的计算预测有助于减少多药治疗中的意外副作用。尽管现有计算方法取得了令人鼓舞的结果，但它们忽略了药物的作用主要由其化学子结构引起。此外，它们的可解释性仍然较弱。结果：本文中，我们假设给定两种药物之间的相互作用由其局部化学结构（子结构）引起，且其DDI类型由不同子结构集之间的连接决定，据此设计了一种新颖的用于DDI预测的Substructure-aware张量神经网络模型（STNN-DDI）。所提模型学习一个（子结构，相互作用类型，子结构）三元组的3-D张量，其刻画了子结构-子结构相互作用（SSI）空间。根据一组具有特定化学含义的预定义子结构，将药物映射至该SSI空间，使STNN-DDI能够以可解释的统一形式在转导和归纳场景下执行多类型DDI预测。与基于深度学习的最先进基线的比较表明了STNN-DDI的优越性，其AUC、AUPR、准确率和精确率均有显著提升。更重要的是，案例研究通过揭示关于感兴趣DDI类型的跨药物关键子结构对，以及发现给定DDI中类型特异的子结构对，说明了其可解释性。总之，STNN-DDI提供了一种预测DDI并解释药物间相互作用机制的有效方法。
引用
@article{arxiv.2111.05708,
title = {STNN-DDI: A Substructure-aware Tensor Neural Network to Predict Drug-Drug Interactions},
author = {Hui Yu and ShiYu Zhao and JianYu Shi},
journal= {arXiv preprint arXiv:2111.05708},
year = {2021}
}