基于多层注意力和消息传递网络的药物相互作用预测方法

作     者：饶晓洁 张通 孟献兵 陈俊龙 RAO Xiao-Jie;ZHANG Tong;MENG Xian-Bing;CHEN C.L.Philip

作者机构：华南理工大学计算机科学与工程学院广州510006 琶洲实验室广州510355 

出 版 物：《自动化学报》 (Acta Automatica Sinica)

年 卷 期：2023年第49卷第12期

页      面：2507-2519页

核心收录：

学科分类：1007[医学-药学(可授医学、理学学位)] 12[管理学] 1006[医学-中西医结合] 100706[医学-药理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 100602[医学-中西医结合临床] 0812[工学-计算机科学与技术（可授工学、理学学位）] 10[医学] 

基　　金：国家重点研发计划(2019YFB1703600) 国家自然科学基金(62006081) 广东省自然科学基金面上项目(2022A1515011317) 中国博士后科学基金(2020M672630)资助 

主　　题：药物相互作用预测 多层次注意力机制 消息传递神经网络 位置编码 

摘      要：药物相互作用(Drug-drug interaction,DDI)是指不同药物存在抑制或促进等作用.现有DDI预测方法往往直接利用药物分子特征表示预测DDI,而忽略药物分子中不同原子对DDI的影响.为此,提出基于多层次注意力机制和消息传递神经网络的DDI预测方法.该方法将DDI建模为通过学习基于序列表示的药物分子特征实现DDI预测的链接预测问题.首先,建立基于注意力机制和消息传递神经网络的原子特征网络,结合提出的基于分子质心的位置编码,学习不同原子及其相关联化学键的特征,构建基于图结构的药物分子特征表示;然后,设计基于注意力机制的分子特征网络,并通过监督和对比损失学习,实现DDI预测;最后,通过实验证明该方法的有效性和优越性.