面向计算药物重定位的神经度量分解模型

计算药物重定位旨在为已上市药物发现新的治疗适应症，与传统药物研发相比具有成本低、开发周期短、可控性高的优势。矩阵分解模型因其易于实现和优异的可扩展性，已成为计算药物重定位的基石技术。然而，矩阵分解模型使用内积表示药物与疾病之间的关联，表达能力不足。此外，药物或疾病之间的相似程度无法在其各自的隐因子向量上体现，这不符合药物发现的常识。因此，本文提出一种用于计算药物重定位的神经度量分解模型（NMF）。我们新颖地将药物与疾病的隐因子向量视为高维坐标系中的点，并提出一种广义欧氏距离来表示药物与疾病之间的关联，以弥补内积的缺陷。进一步地，通过将多种药物（疾病）度量信息嵌入隐因子向量的编码空间，药物（疾病）之间的相似性信息可反映于隐因子向量间的距离。最后，我们在两个真实数据集上开展了广泛的分析实验，以证明上述改进点的有效性及 NMF 模型的优越性。