ZeroDDI：一种面向零样图药物-药物相互作用事件预测方法
机器学习
2024-08-01 v2 生物大分子
摘要
药物-药物相互作用（DDIs）可导致各种药理学变化，这些变化可被分为称为DDI事件（DDIEs）的不同类别。在近年来，先前未观察到的/未见的DDIEs正在出现，这构成了一种新分类任务，因为在训练阶段未见类没有标记实例，称为零样图DDIE预测（ZS-DDIE）任务。然而，现有计算方法不直接适用于ZS-DDIE，这有两个主要挑战：获取合适的DDIE表示以及处理类别不平衡问题。为克服这些挑战，我们提出一种名为ZeroDDI的新方法，用于ZS-DDIE任务。具体而言，我们设计了一个生物学语义增强的DDIE表示学习模块，强调关键生物学语义并提炼判别性分子次结构相关语义以进行DDIE表示学习。此外，我们提出了双模态统一对齐策略，将药物对表示和DDIE语义表示在单位球面上均匀分布并对齐匹配项，这可以缓解类别不平衡问题。广泛实验表明，ZeroDDI优于基线方法，并表明其是检测未见DDIEs的有前景的工具。我们的代码已在https://github.com/wzy-Sarah/ZeroDDI上公开。
引用
@article{arxiv.2407.00891,
title = {ZeroDDI: A Zero-Shot Drug-Drug Interaction Event Prediction Method with Semantic Enhanced Learning and Dual-Modal Uniform Alignment},
author = {Ziyan Wang and Zhankun Xiong and Feng Huang and Xuan Liu and Wen Zhang},
journal= {arXiv preprint arXiv:2407.00891},
year = {2024}
}
备注
Accepted by IJCAI2024