ADEP: A Novel Approach Based on Discriminator-Enhanced Encoder-Decoder Architecture for Accurate Prediction of Adverse Effects in Polypharmacy
Shahid Beheshti University(沙希德·贝赫什提大学);Institute for Research in Fundamental Sciences (IPM)(基础科学研究所)
针对联合用药中未预期的药物-药物相互作用风险,提出集成判别器与编码器-解码器架构的ADEP模型,有效解决数据稀疏性并增强特征提取,在多项基准指标上优于现有方法,提升了不良反应预测准确性与用药安全。
2024-05-31 cs.LG q-bio.QM
A Unified View of Relational Deep Learning for Drug Pair Scoring
AstraZeneca(阿斯利康)
近年来,已经提出了许多机器学习模型,试图解决多种药物副作用识别,药物相互作用预测和联合治疗设计任务。在这里,我们提出了一个统一的理论观点的关系机器学习模型,可以解决这些任务。我们提供基本的定义,比较现有的模型架构,并讨论性能指标,数据集和评估协议。此外,我们强调可能的高影响力的应用和重要的未来研究方向在这一领域。
2021-12-11 cs.AI cs.LG cs.SI
Predicting Drug-Drug Interactions from Heterogeneous Data: An Embedding Approach
Technical University of Darmstadt(达姆施塔特工业大学);The University of Texas at Dallas(德克萨斯大学达拉斯分校);Verisk Analytics(威睿凯分析公司)
使用机器学习预测和发现药物相互作用(DDI)已被广泛研究。然而,大多数方法都集中在文本数据或药物结构的文本表示。我们提出的第一项工作,使用多个数据源,如药物结构图像,药物结构字符串表示和药物关系的关系表示作为输入。为此,我们利用深度网络的最新进展来整合这些不同的输入来源来预测DDI。我们的经验评估对几个国家的最先进的方法使用独立的不同数据类型的药物清楚地证明了在预测DDI的异质性数据相结合的疗效。
2021-03-19 cs.LG
Distributed representations of graphs for drug pair scoring
University of Cambridge(剑桥大学)
在本文中,我们研究的实用性和有用性,将分布式表示的图形模型内的药物对评分。我们认为,药物对评分数据集的真实世界的增长和更新周期颠覆了与分布式表示相关的转导学习的局限性。此外,我们认为,由于有限的原子类型和化学键合模式的限制,在药物集诱导的离散子结构模式的词汇并不显着大。在此前提下,我们探讨了药物分子图的分布表示在药物对评分任务,如药物协同作用,多药作用,药物相互作用预测的有效性。为了实现这一目标,我们提出了一种方法,用于学习和合并分布式表示的图形在一个统一的框架内的药物对评分。随后,我们增加了一些最新的和最先进的模型,以利用我们的嵌入。我们的经验表明,这些嵌入的结合提高了几乎每个模型在不同药物对评分任务中的下游性能,即使是那些原始模型不是为之设计的。我们公开发布DrugCombDB、DrugComb、DrugbankDDI和TwoSides数据集的所有药物嵌入。
2022-11-24 cs.LG q-bio.QM
A Multi-Scale Graph Neural Process with Cross-Drug Co-Attention for Drug-Drug Interactions Prediction
National University of Defense Technology(国防科技大学)
本文提出MPNP-DDI框架,通过多尺度图表示学习和跨药物共注意机制,提升药物相互作用预测的准确性和不确定性估计。
2025-09-18 cs.AI cs.LG
ChemicalX: A Deep Learning Library for Drug Pair Scoring
AstraZeneca(阿斯利康);Harvard Medical School(哈佛医学院);Vanderbilt University(范德堡大学)
在本文中,我们介绍了ChemicalX,这是一个基于PyTorch的深度学习库,旨在提供一系列最先进的模型来解决药物对评分任务。该库的主要目标是使机器学习研究人员和从业者能够在简化的框架中访问深度药物对评分模型。ChemicalX的设计重用了PyTorch生态系统中现有的高级模型训练实用程序,几何深度学习和深度化学层。我们的系统为最终用户提供了神经网络层、自定义配对评分架构、数据加载器和批处理迭代器。我们通过示例代码片段和案例研究来展示这些功能,以突出ChemicalX的特性。一系列关于真实世界药物相互作用、多种药物副作用和组合协同作用预测任务的实验表明,ChemicalX中可用的模型在解决配对评分任务方面是有效的。最后,我们证明了ChemicalX可用于在大型药物对数据集上对训练和评分机器学习模型,这些数据集在商品硬件上具有数十万种化合物。
2022-05-26 cs.AI cs.LG
Rethinking Drug-Drug Interaction Modeling as Generalizable Relation Learning
School of Artificial Intelligence, Shenzhen University(人工智能学院,深圳大学)
本文提出GenRel-DDI框架,通过关系学习方法提升药物-药物相互作用预测的泛化能力,显著优于现有方法。
2026-01-22 cs.LG q-bio.BM
MLT-LE: predicting drug-target binding affinity with multi-task residual neural networks
Nazarbayev University(纳扎尔巴耶夫大学);ITMO University(圣彼得堡国立信息技术机械与光学大学)
评估药物-靶标亲和力是药物发现和开发过程中的关键步骤,但通过实验获得此类数据既耗时又昂贵。由于这个原因,用于预测结合强度的计算方法正在被广泛开发。然而,这些方法通常使用单任务方法进行预测,从而忽略了可以从数据中提取并用于驱动学习过程的附加信息。此后,在这项工作中,我们提出了一个多任务的结合强度预测方法。我们的研究结果表明,这些预测确实可以受益于多任务学习方法,通过利用相关任务和多任务诱导正则化的附加信息。
2022-09-13 cs.LG
AMFPMC -- An improved method of detecting multiple types of drug-drug interactions using only known drug-drug interactions
Ben-Gurion University of the Negev(内盖夫本-古里安大学)
不良药物相互作用在很大程度上是可预防的医疗事故的原因,这往往导致医生和急诊室的遭遇。在药物用于医疗实践之前,在实验室中检测药物相互作用是必不可少的,但它是昂贵和耗时的。机器学习技术可以提供一种有效而准确的方法来预测可能的药物相互作用,并解决日益严重的药物不良相互作用问题。大多数现有的预测相互作用的模型依赖于药物的化学性质。虽然这样的模型可能是准确的,但所需的属性并不总是可用的。
2023-02-07 cs.LG
Predicting Drug-Drug Interactions Using Heterogeneous Graph Neural Networks: HGNN-DDI
College of Information Science and Engineering, Northeastern University(东北大学信息科学与工程学院);Lochlann Quinn School of Business, University College Dublin(都柏林大学学院洛克兰·奎因商学院);Faculty of Science, McGill University(麦吉尔大学理学院)
提出HGNN-DDI异构图神经网络,整合多源药物数据预测药物相互作用,在基准数据集上优于现有方法,助力安全用药与精准医疗。
2025-08-26 cs.LG
DDI Prediction via Heterogeneous Graph Attention Networks
Oklahoma State University(俄克拉荷马州立大学)
多药疗法,定义为同时使用多种药物,是一种标准的治疗方法,特别是对于严重和慢性疾病。但是,同时使用多种药物可能会导致药物之间的相互作用。药物相互作用(DDI)是一种药物与另一种药物联合使用时影响发生变化的活动。DDI可能会阻碍、增加或减少任何一种药物的预期效果,或者在最坏的情况下,产生不良副作用。虽然及时检测DDI至关重要,但在临床试验中识别它们既耗时又昂贵,因为它们的持续时间短,而且需要考虑许多可能的药物对进行测试。因此,需要计算方法来预测DDI。在本文中,我们提出了一种新的异构图注意力模型,HAN-DDI预测药物相互作用。我们用不同的生物实体创建了一个异质的药物网络。然后,我们开发了一个异构的图形注意力网络来学习DDI使用药物与其他实体的关系。它包括一个基于注意力的异构图节点编码器,用于获得药物节点表示和一个解码器,用于预测药物-药物相互作用。此外,我们利用综合实验来评估我们的模型,并将其与最先进的模型进行比较。实验结果表明,我们提出的方法,HAN-DDI,优于基线显着和准确地预测DDI,即使是新药。
2022-07-12 cs.AI cs.IR cs.LG
Drug-Drug Adverse Effect Prediction with Graph Co-Attention
University of Cambridge(剑桥大学);Mila – Québec Artificial Intelligence Institute(Mila-魁北克人工智能研究所);HEC Montréal(蒙特利尔高等商学院)
复杂或共存的疾病通常使用药物组合治疗,这可能导致更高的不良副作用风险。多药副作用的检测通常在IV期临床试验中进行,但当药物投放市场时,仍然有很多未被发现。此类事故已经影响了越来越多的人群(目前在美国为15%),因此能够尽早预测潜在的副作用是非常重要的。可能的药物-药物相互作用(DDI)的系统组合筛选具有挑战性且昂贵。然而,最近的显着增加,从药物研究和开发工作的数据可用性提供了一个新的范例,恢复相关的见解DDI预测。因此,最近的几种方法专注于管理大量DDI数据集(具有数百万个示例)并在其上训练机器学习模型。在这里,我们提出了一个神经网络架构,能够设置最先进的结果在这个任务上-使用的类型的副作用和药物的分子结构单独-通过利用共同注意机制。特别是,我们展示了在学习每种药物的表示时,早期从药物对中整合联合信息的重要性。
2019-05-02 cs.LG cs.SI q-bio.QM
Predicting Drug Effects from High-Dimensional, Asymmetric Drug Datasets by Using Graph Neural Networks: A Comprehensive Analysis of Multitarget Drug Effect Prediction
Oak Ridge National Laboratory(橡树岭国家实验室)
针对高维不对称数据集下图神经网络预测药物效应性能不佳的问题,提出新的过采样技术以改善数据不平衡,并开发混合GNN模型在多标签分类任务上显著优于其他机器学习模型。
2024-10-11 cs.LG
Beyond Textual Data: Predicting Drug-Drug Interactions from Molecular Structure Images using Siamese Neural Networks
The University of Texas at Dallas(德克萨斯大学达拉斯分校);Verisk Analytics, Inc.(韦里斯科分析公司);Duke University(杜克大学)
预测和发现药物相互作用(DDI)是一个重要的问题,并且已经从医学和机器学习的角度进行了广泛的研究。几乎所有的机器学习方法都集中在文本数据或药物结构数据的文本表示上。我们提出了第一个使用药物结构图像作为输入并利用Siamese卷积网络架构来预测DDI的工作。
2020-06-29 cs.LG stat.ML
DMAGT: Unveiling miRNA-Drug Associations by Integrating SMILES and RNA Sequence Structures through Graph Transformer Models
Brown University(布朗大学)
DMAGT通过整合SMILES和RNA序列结构,利用图变压器模型预测药物与miRNA的关联,实现了高准确率的关联预测。
2025-12-04 cs.LG
Asymmetric Focal Loss Improves Graph Neural Network Prediction of Drug-Drug Interactions
University of Illinois Chicago(伊利诺伊大学芝加哥分校);Harvard Medical School(哈佛医学院)
研究针对图神经网络预测药物-药物相互作用时标准训练方法的不足,提出将临床焦点损失集成到关系感知图卷积网络中,显著提升了预测的准确率、F1分数等指标,证明损失函数设计对改进基于图的DDI预测有重要作用。
2026-07-09 cs.LG physics.comp-ph
Predicting Drug-Drug Interactions using Deep Generative Models on Graphs
FPT AI Center(FPT人工智能中心);University of California San Diego(加州大学圣迭戈分校);University of Chicago(芝加哥大学)
由当代基于图形自动编码器的模型产生的药物及其靶标的潜在表示已被证明在预测大型网络上的许多类型的节点对相互作用方面是有用的,包括药物-药物,药物-靶标和靶标-靶标相互作用。然而,大多数现有的方法模型的节点的潜在空间中的节点分布是刚性和不相交的,这些限制阻碍了方法从节点对之间产生新的链接。在本文中,我们提出了变分图自编码器(VGAE)在建模多模态网络上的潜在节点表示的有效性。我们的方法可以为多模态图的每个节点类型产生灵活的潜在空间;嵌入稍后用于预测不同边缘类型下的节点对之间的链接。为了进一步提高模型的性能,我们提出了一种新的方法,该方法将Morgan指纹(捕获每种药物的分子结构)与其潜在的嵌入连接在一起,然后将其置于解码阶段进行链接预测。我们提出的模型在两个多模态网络上显示了竞争结果:(1)由药物和蛋白质节点组成的多重图,以及(2)由药物和细胞系节点组成的多重图。我们的源代码可在https://github.com/HySonLab/drug-interactions上公开获取。
2022-10-30 cs.LG q-bio.BM
Computational Approaches for Predicting Drug-Disease Associations: A Comprehensive Review
School of Computer Science and Technology, Xidian University(西安电子科技大学计算机科学与技术学院);Institute of Fundamental and Frontier Sciences, University of Electronic Science and Technology of China(电子科技大学基础与前沿研究院)
本文全面综述了用于药物重定位的药物-疾病关联预测计算方法,将其分类为神经网络、矩阵、推荐、链接推理及文本挖掘等算法,比较了预测性能并探讨了当前挑战与未来前景。
2023-09-10 cs.LG q-bio.QM
Hypergraph Pattern Machine: Compositional Tokenization for Higher-Order Interactions
University of Notre Dame(内布拉斯加大学);Stanford University(斯坦福大学);Yale University(耶鲁大学);University of Cambridge(剑桥大学);University of Washington(华盛顿大学)
本文提出超图模式机,通过学习子集的组合模式,改进高阶交互的建模,从而在超图基准和真实案例中取得更好效果。
2026-05-15 cs.AI cs.LG
Predicting Biomedical Interactions with Higher-Order Graph Convolutional Networks
Rochester Institute of Technology(罗切斯特理工学院);Thomas H. Gosnell School of Life Sciences(托马斯·H·戈斯内尔生命科学学院)
生物医学相互作用网络在预测生物学意义的相互作用、识别疾病的网络生物标志物以及发现推定的药物靶点方面具有令人难以置信的潜力。最近,图神经网络已经被提出来有效地学习生物医学实体的表示,并在生物医学相互作用预测方面取得了最先进的成果。这些方法只考虑直接邻居的信息,但不能从不同距离的邻居中学习到一般的混合特征。在本文中,我们提出了一个高阶图卷积网络(HOGCN)聚合信息从高阶邻域的生物医学相互作用预测。具体来说,HOGCN收集不同距离处邻居的特征表示,并学习它们的线性混合,以获得生物医学实体的信息表示。在蛋白质-蛋白质、药物-药物、药物-靶标和基因-疾病相互作用等四个相互作用网络上的实验表明,HOGCN实现了更准确和校准的预测。HOGCN表现良好的噪声,稀疏的相互作用网络时,在不同距离的邻居的特征表示被认为是。此外,一组新的相互作用的预测验证了基于文献的案例研究。
2020-10-16 cs.LG
Predicting probability distributions for cancer therapy drug selection optimization
Jagiellonian University(雅盖隆大学)
细胞系间的巨大变异性带来了癌症治疗药物选择的困难优化问题。标准方法为此目的使用预测值,例如对应于其分布的预期值。这篇文章显示了工作的优越性,预测整个概率分布-为此目的提出了基本工具。我们最感兴趣的是要测试的批次中最好的药物-对极端统计的选择进行适当的优化需要了解整个概率分布,对于细胞系中药物特性的分布,通常会出现二项式,例如,取决于相应的基因。因此,对于基本的预测机制,提出了两个高斯的混合,试图根据额外的信息来预测其权重。
2022-09-13 cs.LG q-bio.QM
Predicting gene essentiality and drug response from perturbation screens in preclinical cancer models with LEAP: Layered Ensemble of Autoencoders and Predictors
提出LEAP集成框架,聚合多种基因表达表示模型的回归预测,提升未筛选细胞系的扰动反应预测性能,并借助可解释性方法识别关键通路,加速药物发现。
2025-10-17 cs.LG
Predicting drug-target interaction using 3D structure-embedded graph representations from graph neural networks
KAIST(韩国科学技术院)
药物-靶点相互作用(DTI)的准确预测对于计算机药物设计至关重要。为此,我们提出了一种新的方法,用于预测DTI使用GNN,直接结合了蛋白质-配体复合物的三维结构。我们还应用了一个距离感知的图注意力算法与门增强,以提高我们的模型的性能。因此,我们的模型在虚拟筛选和姿态预测方面都表现出比对接和其他深度学习方法更好的性能。此外,我们的模型可以再现自然的人口分布的活性分子和非活性分子。
2019-04-17 cs.LG stat.ML
MGKAN: Predicting Asymmetric Drug-Drug Interactions via a Multimodal Graph Kolmogorov-Arnold Network
School of Mathematics, Shandong University, Jinan, China(山东大学数学学院);Data Science Institute, Shandong University, Jinan, China(山东大学数据科学研究院)
MGKAN通过多模态图科拉莫戈洛夫-阿诺德网络有效预测非对称药物-药物相互作用,提升建模的非线性和方向性。
2026-02-03 cs.LG q-bio.QM
Predicting Multi-Drug Resistance in Bacterial Isolates Through Performance Comparison and LIME-based Interpretation of Classification Models
Universitas Siber Asia(亚洲网络大学)
本文提出了一种基于性能比较和LIME解释的机器学习框架,用于预测细菌分离物的多药耐受性,结合高精度模型和局部可解释性,提升抗菌药物合理使用的决策支持。
2026-03-01 cs.LG
Self-Attention Based Molecule Representation for Predicting Drug-Target Interaction
Emory University(埃默里大学);Deargen Inc.(Deargen公司);Dankook University(檀国大学)
预测药物-靶标相互作用(DTI)是药物发现过程的重要组成部分,这是一个时间和成本昂贵的过程。因此,降低DTI成本可以降低患者的医疗保健成本。此外,DTI模型中精确学习的分子表示可以有助于开发个性化药物,这将有助于许多患者队列。在本文中,我们提出了一个新的分子表示的自注意力机制的基础上,和一个新的DTI模型使用我们的分子表示。实验表明,我们的DTI模型优于最先进的高达4.9%点的精确率-召回曲线下的面积。此外,使用DrugBank数据库的一项研究证明,我们的模型有效地将所有已知的靶向特定癌症生物标志物的药物列入前30名候选药物列表。
2019-08-15 cs.LG stat.ML
ADCNet: a unified framework for predicting the activity of antibody-drug conjugates
South China University of Technology(华南理工大学)
本文提出统一深度学习框架ADCNet,整合ESM-2与FG-BERT语言模型,利用ADC蛋白序列、SMILES及DAR值预测抗体药物偶联物活性,并开发了在线预测平台。
2024-01-17 cs.LG
KITE-DDI: A Knowledge graph Integrated Transformer Model for accurately predicting Drug-Drug Interaction Events from Drug SMILES and Biomedical Knowledge Graph
University of Central Florida(中佛罗里达大学)
针对药物-药物相互作用预测难题,提出融合药物SMILES与生物医学知识图谱的KITE-DDI Transformer模型,实现端到端高精度预测,泛化性强、超参数少,低数据场景表现优异。
2024-12-08 cs.LG q-bio.BM
DTIAM: A unified framework for predicting drug-target interactions, binding affinities and activation/inhibition mechanisms
Central South University(中南大学);University of Helsinki(赫尔辛基大学)
DTIAM是一个统一框架,通过自监督预训练学习药物和靶点表示,预测相互作用、结合亲和力及激活/抑制机制,在冷启动场景中性能优于现有方法,并展现出强泛化能力。
2023-12-23 cs.LG q-bio.BM
A Minimal-Input Multilayer Perceptron for Predicting Drug-Drug Interactions Without Knowledge of Drug Structure
McMaster University(麦克马斯特大学)
预测模型在药物发现行业的必要性不容低估。随着被考虑使用的潜在有用化合物的绝对数量,研究药物之间的重叠相互作用在计算上变得越来越困难。了解这一点对于需要知道他们可以和不可以混合的外行也很重要,特别是对于那些使用娱乐性药物的人-这些药物没有处方药那样严格的警告。如果无法获得每种药物组合的确定性实验结果,则需要其他方法来弥合这一知识差距。理想情况下,这种方法需要最少的输入,具有高精度,并且在计算上是可行的。我们还没有遇到一个符合所有这些标准的模型。为此,我们提出了一个最小输入的多层感知器,预测两种药物之间的相互作用。这种模型的一大优点是不需要所讨论的分子的结构知识,而是只使用实验上可获得的化学和物理性质-每个化合物总共20个。使用一组已知的药物相互作用以及相关药物的相关特性,我们在大约65万个条目的数据集上训练了我们的模型。我们报告了模型训练的药物之间相互作用的未知样本的准确度为0.968,未知药物之间相互作用的未知样本的准确度为0.942。我们相信这是一个有前途的和高度可扩展的模型,具有进一步调整的高广义预测准确性的潜力。
2020-05-20 cs.LG q-bio.QM
ResDTA: Predicting Drug-Target Binding Affinity Using Residual Skip Connections
Bangladesh University of Engineering and Technology(孟加拉国工程技术大学)
新的药物靶点(DT)相互作用的发现是药物开发过程中的重要一步。大多数用于预测DT相互作用的计算机技术都集中在二元分类上,其目标是确定DT对是否相互作用。另一方面,蛋白质配体相互作用假设结合强度值(也称为结合亲和力)的连续范围,并且预测该值仍然是困难的。随着DT知识库中亲和性数据量的增长,高级学习技术如深度学习架构可用于预测结合亲和性。在本文中,我们提出了一种基于深度学习的方法,仅使用来自靶标和药物的测序信息来预测DT结合亲和力。结果表明,所提出的基于深度学习的模型使用靶标和药物的1D表示是用于药物靶标结合亲和力预测的有效方法,并且它不需要额外的化学领域知识来工作。通过CNN构建药物和靶标的高级表示的模型使用剩余跳过连接,并且还使用额外的流来创建药物-靶标对的高级组合表示,在最大的基准数据集中实现了最佳的一致性指数(CI)性能,优于最近的最先进的方法AttentionDTA和许多其他机器学习和深度学习,用于DT结合亲和力预测的基于学习的基线方法,其使用靶标和药物的1D表示。
2023-03-20 cs.LG q-bio.QM
Deep Graph Convolutional Network and LSTM based approach for predicting drug-target binding affinity
Indian Association for the Cultivation of Science(印度科学培育协会)
开发新药是一个昂贵而耗时的过程。由于SARS-CoV-2在全球范围内的爆发,必须尽快开发针对SARS-CoV-2的新药。药物再利用技术可以通过探测现有FDA批准的药物及其特性来减少开发新药所需的时间跨度,以将其重新用于对抗新疾病。我们提出了一种新的架构DeepGLSTM,这是一种基于图卷积网络和LSTM的方法,可以预测FDA批准的药物与SARS-CoV-2病毒蛋白之间的结合亲和力值。我们提出的模型已经在Davis,KIBA(激酶抑制剂生物活性),DTC(药物靶点共享),Metz,ToxCast和STITCH数据集上进行了训练。我们使用我们的新架构来预测2,304种FDA批准的药物对5种病毒蛋白的综合评分(使用Davis和KIBA评分计算)。根据综合评分,我们列出了对SARS-CoV-2中存在的5种病毒蛋白具有最高结合亲和力的前18种药物。随后,该清单可用于创造新的有用药物。
2022-01-18 cs.LG q-bio.QM
Central-Smoothing Hypergraph Neural Networks for Predicting Drug-Drug Interactions
Institute for Chemical Research, Kyoto University(京都大学化学研究所);Aalto University(阿尔托大学)
本文提出了一种名为CentSmoothie的超图神经网络,通过中心平滑方法联合学习节点和标签表示,以解决DDI预测中标签关系复杂及罕见标签预测困难的问题,并在模拟和真实数据集上验证了其性能优势。
2023-04-04 cs.LG q-bio.BM stat.AP
Predicting Molecule-Target Interaction by Learning Biomedical Network and Molecule Representations
Global Health Drug Discovery Institute(全球健康药物研发中心)
分子-靶点相互作用的研究对于药物发现具有重要意义,可以用于靶点识别、靶点识别、途径研究、药物-药物相互作用等。现有的研究方法大多利用生物医学网络信息或分子结构特征来预测潜在的相互作用。然而,生物医学网络信息为基础的方法通常遭受冷启动问题,而基于结构的方法往往给有限的性能,由于结构/相互作用的假设和数据质量。为了解决这些问题,我们提出了一种伪连体图神经网络方法,即MTINet+,它学习生物医学网络拓扑结构和分子结构/化学信息作为表示来预测给定分子和靶对的潜在相互作用。在MTINet+中,从生物医学网络的已知相互作用中提取给定分子和目标对的1-hop子图作为拓扑信息,同时将分子的结构和化学属性作为分子信息进行处理。MTINet+学习这两种类型的信息作为预测配对链接的嵌入特征。在不同的分子-靶相互作用任务的实验中,MTINet+的表现明显优于最先进的基线。此外,在我们设计的网络稀疏性实验中,MTINet+对不同的稀疏生物医学网络表现出很强的鲁棒性。
2023-02-06 cs.LG
NRBdMF: A recommendation algorithm for predicting drug effects considering directionality
The University of Tokyo(东京大学)
根据已批准药物的信息预测药物的新效应可以被视为推荐系统。矩阵因子分解是最常用的推荐系统之一,已经为它设计了各种算法,文献调查和现有的预测药物效果的算法的总结表明,大多数这样的方法,包括邻域正则化逻辑矩阵因子分解,这是在基准测试中表现最好的,使用一个二进制矩阵,只考虑存在或不存在的相互作用。然而,已知药物作用具有两个相反的方面,例如副作用和治疗作用。在本研究中,我们提出了使用邻域正则化双向矩阵分解(NRBdMF)预测药物效应,通过纳入双向性,这是药物效应的特征属性。我们使用这种提出的方法来预测副作用,使用一个考虑药物作用双向性的矩阵,其中已知的副作用被分配一个阳性标签(加1),已知的治疗效果被分配一个阴性(减1)标签。利用药物双向信息的NRBdMF模型在预测列表的顶部实现了副作用的富集,在底部实现了适应症的富集。首次尝试使用NRBdMF考虑药物作用的双向性质,表明它减少了假阳性,并产生了高度可解释的输出。
2023-01-13 cs.IR cs.LG q-bio.QM
Drug-disease Graph: Predicting Adverse Drug Reaction Signals via Graph Neural Network with Clinical Data
Seoul National University(首尔大学);Seoul National University Hospital(首尔大学医院)
药品不良反应(ADR)是一个全球性的重大公共卫生问题。许多基于图的方法已被应用于生物医学图,用于预测上市前阶段的ADR。上市后监测中的ADR检测的重要性不亚于上市前评估,近年来大规模临床数据的ADR检测备受关注。然而,考虑来自临床数据的图形结构用于检测ADR信号的研究并不多,ADR信号是可能是潜在ADR的一对处方和诊断。在这项研究中,我们开发了一种新的基于图形的框架,使用医疗索赔数据的ADR信号检测。我们构建了一个药物-疾病图,其中节点代表医疗代码。边被给出为使用数据计算的两个代码之间的关系。我们应用图神经网络来预测ADR信号,使用来自副作用资源数据库的标签。与其他算法相比,该模型的AUROC和AUPRC性能分别提高了0.795和0.775,表明它成功地学习了表达这些关系的节点表示。此外,我们的模型预测ADR对不存在于已建立的ADR数据库,显示其能力,以补充ADR数据库。
2020-04-01 cs.LG stat.ML
Graph Distance Neural Networks for Predicting Multiple Drug Interactions
Ainnocence
随着多药联合应用的日益广泛,药物间相互作用的准确预测变得越来越重要。在我们的方法中,我们使用图来表示药物-药物相互作用:节点表示药物;边缘表示药物-药物相互作用。基于我们的假设,我们将DDI的预测转化为链接预测问题,利用已知的毒品节点特征和DDI类型来预测未知的DDI类型。本文提出了一种基于图距离的神经网络(GDNN)来预测药物间的相互作用。首先,GDNN通过目标点方法为节点生成初始特征,充分包含图中的距离信息。其次,GDNN采用改进的消息传递框架,更好地生成每个药物节点的嵌入式表达,同时综合考虑节点和边的特征。第三,GDNN聚集嵌入的表达,进行MLP处理以生成最终预测的药物相互作用类型。GDNN在ogb-ddi数据集上实现了Test Hits@20=0.9037,证明GDNN可以有效地预测DDI。
2022-08-30 cs.AI cs.LG q-bio.QM
Relational graph convolutional networks for predicting blood-brain barrier penetration of drug molecules
The University of Texas Health Science Center at Houston(德克萨斯大学休斯顿健康科学中心)
评价药物分子的血脑屏障(BBB)通透性是脑药物开发的关键步骤。传统的评价方法需要复杂的体外或体内测试。或者,基于机器学习的计算机预测已被证明是补充体外和体内方法的具有成本效益的方法。然而,所建立的模型的性能受到限制,他们无法处理药物和蛋白质之间的相互作用,这在BBB穿透行为背后的机制中起着重要作用。为了解决这一限制,我们采用了关系图卷积网络(RGCN)来处理药物-蛋白质相互作用以及每种药物的性质。RGCN模型的总体准确度为0.872,AUROC为0.919,AUPRC为0.838,用于药物-蛋白质相互作用和Mordred描述符作为输入的测试数据集。引入药物-药物相似性来连接数据图中结构相似的药物进一步改善了测试结果,总体准确度为0.876,AUROC为0.926,AUPRC为0.865。特别是,RGCN模型被发现大大优于LightGBM基础模型时,与药物的BBB渗透依赖于药物-蛋白质相互作用进行评估。我们的模型有望提供高置信度的预测血脑屏障渗透性的药物优先级在实验筛选血脑屏障穿透药物。
2022-04-06 cs.LG q-bio.QM
Hierarchical Multi-Relational Graph Representation Learning for Large-Scale Prediction of Drug-Drug Interactions
School of Electronics and Information Engineering, Xi’an Jiaotong University(西安交通大学电子与信息工程学院);College of Geomatics, Xi’an University of Science and Technology(西安科技大学测绘学院);Aerospace Information Research Institute, Chinese Academy of Sciences(中国科学院空天信息创新研究院)
针对药物-药物相互作用预测忽视药物对隐式关联的问题,提出HMGRL框架,结合RGCN与多视图可微谱聚类,在三个任务的两个真实数据集上优于前沿方法。
2024-02-28 cs.LG
Multi-Label Robust Factorization Autoencoder and its Application in Predicting Drug-Drug Interactions
药物相互作用(DDI)是可预防的住院和死亡的主要原因。预测DDI的发生有助于药物安全专业人员分配调查资源,并及时采取适当的监管行动。传统的DDI预测方法基于药物之间的相似性来预测DDI。最近,研究人员发现,可以通过更好地用双线性形式建模药物对之间的相互作用来提高预测性能。然而,利用双线性形式的浅模型在捕获药物对之间的复杂非线性相互作用方面受到限制。为此,我们提出了用于DDI预测的多标签鲁棒因子分解自动编码器(简称MuLFA),它学习药物对之间相互作用的表示,并具有更精确地表征复杂非线性相互作用的能力。此外,一种新的损失称为CuXCov的设计,以有效地学习MuLFA的参数。此外,解码器能够生成特定DDI的药物对的高风险化学结构,帮助药剂师更好地理解药物化学和DDI之间的关系。在真实世界数据集上的实验结果表明,MuLFA始终优于最先进的方法;特别是,与前50个频繁DDI的最佳基线相比,它提高了21:3%的预测性能。我们还举例说明了各种案例研究,以证明MuLFA生成的化学结构在DDI诊断中的有效性。
2018-11-01 cs.AI cs.LG stat.ML
Generative Adversarial Networks for Electronic Health Records: A Framework for Exploring and Evaluating Methods for Predicting Drug-Induced Laboratory Test Trajectories
Columbia University(哥伦比亚大学)
生成对抗网络(GANs)代表了一类将神经网络与博弈论相结合的有前途的生成网络。从生成逼真的图像和视频到辅助音乐创作,GANs正在改变许多艺术和科学领域。然而,它们在医疗保健方面的应用尚未完全实现,更具体地说,在生成电子健康记录(EHR)数据方面。在本文中,我们提出了一个框架,用于在连续实验室时间序列数据的背景下探索GANs的价值。我们设计了一个无监督的评估方法,衡量合成实验室测试时间序列的预测能力。此外,我们表明,在预测药物暴露对实验室测试数据的影响时,在训练GAN模型之前结合训练队列的表示学习是有益的。
2017-12-01 cs.LG stat.ML
REP: Predicting the Time-Course of Drug Sensitivity
药物作用机制中涉及的生物过程通常是动态的、复杂的和难以辨别的。时间过程基因表达数据是一个丰富的信息来源,可用于解开这些复杂的过程,确定药物敏感性的生物标志物和预测对药物的反应。然而,大多数以前的工作并没有充分利用这个时间维度。在这些研究中,在一个时间点(给药前)或两个时间点(给药前和给药后)考虑基因表达数据。这显然不足以模拟动态基因-药物相互作用,特别是对于长期药物治疗等应用。在这项工作中,我们提出了一种新的递归预测(REP)框架,利用时间过程基因表达数据的药物反应预测。我们的目标是预测长期治疗的每个阶段的药物反应值,给定在先前时间点收集的基因的表达水平。为此,REP采用了一个内置的递归结构,利用数据的内在时间过程性质,并整合了药物反应的过去值,用于后续预测。它还集成了张量完成,不仅可以减轻噪声和缺失数据的影响,还可以预测看不见的基因表达水平(GEL)。这些优点使REP能够根据治疗开始时测量的一些GEL来估计给定治疗的任何阶段的药物反应。广泛的实验数据集对应的53例多发性硬化症患者用干扰素治疗,包括展示REP的有效性。
2019-07-27 cs.LG stat.ML
GDGRU-DTA: Predicting Drug-Target Binding Affinity Based on GNN and Double GRU
Hunan Normal University(湖南师范大学)
预测药物和靶点亲和力(DTA)的工作对于药物开发和再利用至关重要。在这项工作中,我们提出了一种称为GDGRU-DTA的新方法来预测药物与靶标之间的结合亲和力,该方法基于GraphDTA,但我们认为蛋白质序列是长序列,因此简单的CNN不能很好地捕获蛋白质序列中的上下文依赖性。因此,我们通过将蛋白质序列解释为时间序列并使用门递归单元(GRU)和双向门递归单元(BiGRU)提取其特征来改进它。对于药物,我们的处理方法与GraphDTA类似,但使用了两种不同的图形卷积方法。随后,药物和蛋白质的表示被连接起来用于最终预测。我们在两个基准数据集上评估了所提出的模型。我们的模型优于一些最先进的深度学习方法,结果证明了我们模型的可行性和出色的特征捕获能力。
2022-04-25 cs.AI cs.LG q-bio.QM
GENN: Predicting Correlated Drug-drug Interactions with Graph Energy Neural Networks
IBM Research AI(IBM研究AI);Peking University(北京大学);IQVIA(艾昆纬);Georgia Institute of Technology(佐治亚理工学院)
获得关于药物相互作用(DDI)的更全面的知识是药物开发和医疗实践中最重要的任务之一。最近,图神经网络通过将药物建模为节点,将药物-药物相互作用建模为链接,并将DDI预测铸造为链接预测问题,在这一任务中取得了巨大的成功。然而,链接标签之间的相关性(例如,DDI类型)在现有工程中很少考虑。我们提出了图能量神经网络(GENN)显式模型的链接类型的相关性。我们制定的DDI预测任务作为一个结构预测问题,并介绍了一个新的基于能量的模型,其中的能量函数定义的图神经网络。在两个真实DDI数据集上的实验表明,在不考虑链接类型相关性的情况下,GENN优于许多基线,并分别在两个数据集上实现了$13.77\%$和$5.01\%$ PR-AUC的改善。我们还提出了一个案例研究,其中\mname可以更好地捕捉有意义的DDI相关性相比,基线模型。
2019-10-08 cs.LG q-bio.QM stat.ML
Graph2MDA: a multi-modal variational graph embedding model for predicting microbe-drug associations
School of Computer Science and Engineering, Central South University(中南大学计算机科学与工程学院);School of Computer Science and Technology, Nanjing Tech University(南京工业大学计算机科学与技术学院)
大量临床研究表明,人体内的微生物与人体宿主相互作用密切,参与药物疗效和毒性的调节。微生物已经成为开发抗菌剂的新目标。因此,微生物-药物联合体的筛选对药物研发具有重要意义。随着微生物基因组和药理学数据集的增加,我们非常有动力开发一种有效的计算方法来识别新的微生物-药物关联。本文提出了一种基于变分图自动编码器(VGAE)的微生物-药物缔合预测新方法Graph2MDA。我们基于微生物和药物的多个特征,如分子结构、微生物基因序列和功能注释,构建了多模态属性图。以多模态属性图作为输入,训练VGAE学习每个节点和整个图的信息丰富、可解释的潜在表示,然后使用深度神经网络分类器预测微生物-药物关联。超参数分析和模型消融研究表明,我们的模型的敏感性和鲁棒性。我们在三个独立的数据集上对我们的方法进行了评估,实验结果表明,我们提出的方法优于现有的六种最先进的方法。我们还探讨了药物的学习潜在表征的意义,发现药物显示出明显的聚类模式,与药物ATC分类显著一致。此外,我们对两种微生物和两种药物进行了案例研究,发现PubMed文献中有75%-95%的预测关联。我们广泛的性能评估验证了我们提出的方法的有效性。
2021-08-14 cs.LG q-bio.QM
Predicting Drug Interactions and Mutagenicity with Ensemble Classifiers on Subgraphs of Molecules
Cornell University(康奈尔大学);Weill Institute for Cell and Molecular Biology(威尔细胞与分子生物学研究所)
在这项研究中,我们打算解决相互作用的任何类型的分子,如蛋白质,核酸和小分子的互信息问题。使用机器学习技术,我们可以准确地预测成对的相互作用,这可能是医学和生物学的重要性。由于原子通过原子键的固有缔合,图对于所有类型的分子的普遍性在这个问题中是有用的。子图可以表示不同的分子结构域。这些结构域可能具有生物学意义,因为大多数分子仅具有具有功能意义的部分,并且可以与其他结构域相互作用。因此,我们在不同的机器学习算法中使用子图作为特征来预测两种药物是否相互作用并预测潜在的单分子效应。
2016-01-27 cs.LG stat.ML
Dual-Pathway Fusion of EHRs and Knowledge Graphs for Predicting Unseen Drug-Drug Interactions
Stony Brook University(石溪大学)
本文提出一种双通路融合系统,通过教师-学生蒸馏将知识图谱关系推理与电子健康记录上下文结合,在无需知识图谱的零样本条件下预测未见药物的药物-药物相互作用,并产生可解释、机制特异性的临床警报。
2025-11-10 cs.LG q-bio.QM
Predicting Early and Complete Drug Release from Long-Acting Injectables Using Explainable Machine Learning
TIGER Institute of Advanced Materials(TIGER先进材料研究所);Tennessee State University(田纳西州立大学);Department of Computer Science(计算机科学系)
本文提出了一种基于可解释机器学习的方法,用于预测长效注射剂的早期和完全药物释放,通过分析材料特性优化药物释放动力学。
2026-01-05 cs.LG q-bio.BM
TCR: A Transformer Based Deep Network for Predicting Cancer Drugs Response
Baidu(百度)
由于肿瘤的异质性,在个性化的基础上预测抗癌药物的临床结果在癌症治疗中具有挑战性。传统的计算工作是通过分子谱来描述药物对个体样本的影响,但由于组学数据的高维性,会出现过拟合,阻碍了模型的临床应用。最近的研究表明,深度学习是一种很有前途的方法,通过学习药物和样本之间的比对模式来建立药物反应模型。然而,现有的研究采用简单的特征融合策略,只考虑作为一个整体表示的药物特征,而忽略了子结构信息,可能发挥重要作用时,比对药物和基因。因此,在本文中,我们提出TCR(Transformer based network for Cancer drug Response)来预测抗癌药物的反应。通过利用注意力机制,TCR能够有效地学习药物原子/亚结构与分子特征之间的相互作用。此外,设计了双损失函数和交叉采样策略,以提高TCR的预测能力。我们表明,TCR优于所有其他方法下的各种数据分割策略的所有评估矩阵(一些显着改善)。大量的实验表明,TCR在独立的体外实验和体内真实患者数据上显示出显着提高的泛化能力。我们的研究强调了TCR的预测能力及其对癌症药物再利用和精确肿瘤治疗的潜在价值。
2022-07-10 cs.AI cs.LG q-bio.QM
Drug-target affinity prediction method based on consistent expression of heterogeneous data
Georgia Institute of Technology(佐治亚理工学院)
药物发现的第一步是寻找对特定靶点具有药物活性的药物分子部分。因此,研究药物靶蛋白与化学小分子之间的相互作用至关重要。然而,传统的发现潜在药物小分子的实验方法是劳动密集型和耗时的。目前有很多兴趣建立计算模型,以筛选小的药物分子使用药物分子相关的数据库。在本文中,我们提出了一种使用深度学习模型预测药物-靶标结合亲和力的方法。该方法利用改进的GRU和GNN分别从药物-靶点蛋白质序列和药物分子图谱中提取特征,得到其特征向量。组合的载体被用作药物-靶标分子对的载体表示,然后被馈送到完全连接的网络中以预测药物-靶标结合亲和力。该模型在DAVIS和KIBA数据集上预测药物-靶标结合亲和力的准确性和有效性。
2022-11-13 cs.LG q-bio.BM
CODE-AE: A Coherent De-confounding Autoencoder for Predicting Patient-Specific Drug Response From Cell Line Transcriptomics
Graduate Center, City University of New York(纽约城市大学研究生中心);Feil Family Brain & Mind Research Institute, Weill Cornell Medicine, Cornell University(康奈尔大学威尔康奈尔医学院菲尔家族脑与心智研究所);Hunter College, City University of New York(纽约城市大学亨特学院)
准确和稳健地预测患者对药物治疗的反应对于发展精准医学至关重要。然而,通常难以直接从患者获得足够量的连贯药物反应数据以用于训练广义机器学习模型。虽然利用丰富的细胞系数据提供了一种替代解决方案,但由于各种混杂因素,将从细胞系获得的知识转移给患者是具有挑战性的。很少有现有的迁移学习方法可以可靠地将常见的内在生物信号与细胞系和患者数据中的混杂因素分开。在本文中,我们开发了一种相干去混淆自动编码器(CODE-AE),它可以提取由不相干样本共享的共同生物信号和每个数据集独有的私有表示,将从细胞系数据学到的知识转移到组织数据,并从中分离混淆因素。对多个数据集的广泛研究表明,CODE-AE在预测患者药物反应和去混淆生物信号方面都显著提高了最先进方法的准确性和鲁棒性。因此,CODE-AE提供了一个有用的框架,利用体外组学数据开发广义患者预测模型。源代码可在https://github.com/XieResearchGroup/CODE-AE上获得。
2021-01-31 cs.LG q-bio.GN
SPLDExtraTrees: Robust machine learning approach for predicting kinase inhibitor resistance
Tencent Quantum Laboratory(腾讯量子实验室);Tsinghua University(清华大学)
耐药性是对全球健康的主要威胁,也是贯穿疾病临床治疗和药物开发的重要问题。与药物结合相关的蛋白质突变是适应性耐药的常见原因。因此,定量评估突变如何影响药物与靶蛋白之间的相互作用对于药物开发和临床实践具有重要意义。依赖于分子动力学模拟、Rosetta协议以及机器学习方法的计算方法已被证明能够预测蛋白质突变后的配体亲和力变化。然而,严重有限的样本大小和严重的噪声引起的过拟合和泛化问题阻碍了机器学习在研究耐药性方面的广泛采用。在本文中,我们提出了一个强大的机器学习方法,称为SPLDExtraTrees,它可以准确地预测蛋白质突变后配体结合亲和力的变化,并识别耐药突变。特别是,所提出的方法按照特定的方案对训练数据进行排名,该方案从易于学习的样本开始,逐渐将更难和不同的样本纳入训练,然后在样本权重重新计算和模型更新之间进行迭代。此外,我们计算了额外的基于物理的结构特征,为机器学习模型提供了关于蛋白质的有价值的领域知识,用于这种数据有限的预测任务。实验证实了所提出的方法预测激酶抑制剂耐药的能力在三种情况下,并实现预测精度可比的分子动力学和Rosetta方法,计算成本少得多。
2022-01-14 cs.LG q-bio.QM
Predicting drug properties with parameter-free machine learning: Pareto-Optimal Embedded Modeling (POEM)
Cyclica Inc.(Cyclica公司);Vector Institute for Artificial Intelligence(矢量人工智能研究所)
从小分子的分子结构预测其吸收、分布、代谢、排泄和毒性(ADMET)是药物化学中的中心问题,在药物发现中具有重要的实际意义。创建预测模型通常需要大量的试错来选择分子表示、机器学习(ML)算法和超参数调整。一种普遍适用的方法,在所有数据集上表现良好,而无需调优,这将是非常有价值的,但目前还缺乏。在这里,我们描述了帕累托最优嵌入式建模(POEM),一种基于相似性的方法来预测分子特性。POEM是一种非参数的监督ML算法,用于生成可靠的预测模型,而无需优化。POEMs预测强度是通过以特定于上下文的方式组合分子结构的多种不同表示来获得的,同时保持低维度。我们对POEM相对于行业标准ML算法进行了基准测试,并在17个分类任务中发布了结果。POEM在所有情况下都表现良好,并降低了过拟合的风险。
2020-04-02 cs.LG stat.ML
Bayesian neural network with pretrained protein embedding enhances prediction accuracy of drug-protein interaction
Seoul National University(首尔大学)
药物-蛋白质相互作用的表征在药物发现的高通量筛选中至关重要。基于深度学习的方法引起了人们的关注,因为它们可以预测药物-蛋白质相互作用,而无需人类的试错。然而,由于数据标记需要大量资源,可用的蛋白质数据大小相对较小,因此降低了模型性能。在这里,我们提出了两种方法来构建一个深度学习框架,该框架在小的标记数据集上表现出卓越的性能。首先,我们使用迁移学习在编码蛋白质序列时使用预训练模型,该模型以无监督的方式训练一般的序列表示。其次,我们使用贝叶斯神经网络,通过估计数据的不确定性,使一个强大的模型。因此,我们的模型在预测药物-蛋白质相互作用方面的表现优于以前的基线。我们还表明,量化的不确定性从贝叶斯推断的置信度,并可用于筛选DPI数据点。
2020-12-21 cs.LG