摘要
药物联合治疗是克服耐药性和提高单药治疗疗效的一种极具前景的策略，并且已经被证实可以降低剂量相关的毒性。但除了药物间的协同反应外，还存在一些拮抗性的药物相互作用(DDIs),这是产生药物不良事件(ADEs)的主要原因。目前的大多数研究方法主要关注于二分类问题，即预测两种药物之间是否存在相互作用，多分类的问题少有涉及。准确预测DDIs的类型对于药物开发和药物组合疗法的有效应用都很重要。本文应用深度学习算法，结合药物特征信息，构建了两种不同的药物-药物相互作用预测模型。其主要工作如下: (1)目前提出的方法大多只基于药物的一种或者几种特征，而且没有考虑特征信息网络的拓扑关系。为了更有效地集成药物的多种特征，基于相似性假定提出了一种基于多模态数据融合的药物-药物相互作用预测方法NMDADNN。首先从DrugBank数据集中收集药物相互作用事件和五种药物特征，利用Jaccard系数构建相似性网络。其次，采用带重启的随机游走算法捕获各相似性网络的拓扑信息，并计算正点互信息，以得到节点之间的拓扑相似性。然后，采用多模态深度自编码器(MDA)对五个药物相似性矩阵进行融合，以获得药物的统一特征描述。最后，使用DNN模型预测DDIs的类型。在DrugBank数据集的5-CV测试中与其他两种基于DNN的方法DDIMDL和DeepDDI进行比较。NMDADNN的ACC、AUPR、AUC、F1score、Precision和Recall指标分别比DeepDDI高6.1％、6.9％、0.3％、12.2％、14.7％和12.0％,比DDIMDL高1.3％、3.8％、0.05％、4.8％、2.8％和6.3％,取得了较好的预测效果。 (2)相似性计算可能受到噪声或异常值的干扰，导致不准确的相似度计算。而知识图谱可以将来自不同数据源的信息进行融合，从而可以提高数据的准确性和完整性。在图领域，图注意力网络(GAT)等模型可以自动学习图结构的特征表示。为了更有效的提取药物的特征，提出了一种基于知识图谱和注意力机制的子图学习模型FuseGAT。首先基于DrugBank收集到的药物特征数据构建知识图谱，然后使用知识图谱方法TransE对所有实体嵌入进行初始化操作，获得实体和关系的初始特征。对于给定的药物对，从知识图谱中选取一个与药物对相关的局部子图。然后，利用注意力机制和消息传递机制生成子图的特征。最后将子图和药物对特征集成起来，并使用解码分类器来预测药物对的类型。FuseGAT在DrugBank数据集上的F1score、ACC、Cohen''sKappa指标比其他对比的最佳模型增加了9.65％、2.4％、2.15％,可以有效的提高预测性能。
NETL