面向可解释药物-药物相互作用预测：基于分子和网络层次解释的图基方法
机器学习
2025-07-15 v1 人工智能
分子网络
摘要
药物-药物相互作用(DDI)是药理学中的重要挑战，常导致严重的药物不良反应，对患者安全和医疗结果具有重大影响。虽然图基方法在DDI预测中取得了强大的预测性能，但大多数方法将药物对独立地建模，忽略了药物对独特性的、情境依赖的相互作用。此外，这些模型难以整合生物学相互作用网络和分子层次结构，以提供有意义的机制性见解。本研究提出MolecBioNet，一种新型图基框架，用于集成分子和生物医学知识以实现稳健且可解释的DDI预测。该框架将药物对建模为统一实体，捕获宏观层次的生物学相互作用和微观层次的分子影响，为DDIs提供全面的视角。该框架从生物医学知识图中提取局部子图，并从分子表示构建分层相互作用图，利用经典图神经网络方法学习药物对的多尺度表示。为提升准确性和可解释性，MolecBioNet引入两种领域特定的池化策略：情境感知子图池化(CASPool)，强调与生物学相关的实体；以及注意力引导影响池化(AGIPool)，优先考虑有影响力的分子亚结构。该框架进一步采用信息最小化正则化，以增强嵌入融合过程中的信息多样性。实验结果表明，MolecBioNet在DDI预测中超越了当前最先进的方法，消融研究和嵌入可视化进一步验证了统一药物对建模和多尺度知识集成的优势。
引用
@article{arxiv.2507.09173,
title = {Towards Interpretable Drug-Drug Interaction Prediction: A Graph-Based Approach with Molecular and Network-Level Explanations},
author = {Mengjie Chen and Ming Zhang and Cunquan Qu},
journal= {arXiv preprint arXiv:2507.09173},
year = {2025}
}