AI在药物相互作用预测中的图表示学习

图表示学习在药物相互作用预测中的应用

文章结构概述

• 基于图表示学习的药物相互作用预测
  • • • 一、当前DDI预测方法存在的局限性？
      • 二、模型架构？
      • 三、各组成部分的详细说明？
      • • 3.1 GCN

    • 3.2 药物-药物相互作用预测

      • 四、实验分析结果？
      • 五、进一步探讨？

一、现有DDI预测方法的不足之处？

• 可扩展性 ：由于药物相关特征的差异性，使得在处理大规模数据集时，多数药物难以获取关键特征。
  • 可解释性

--》构建了一种创新性的模型以应对上述两个问题：

在小规模DDI数据集和大规模DDI数据集 上进行的实验结果显示，与当前多种前沿方法相比，所提出的模型能够取得更优的表现，从而验证了该模型具备良好的可扩展性。

该模型可以识别出具有注意力机制的最关键局部原子 ，这些原子与领域知识相符，具备一定的解释能力。

（我们推测，局部化学亚结构是影响DDI发生的关键因素