基于知识图谱的图神经网络预测药物与药物相互作用

药物间相互作用（DDI）预测是药理学和临床应用中一个具有挑战性的问题，在临床试验期间，有效识别潜在的DDI对患者和社会至关重要。

药物间的相互作用(DDI)?
答案：药物间的相互作用(DDI)是指同时或先后服用两种或两种以上药物时，药物之间所产生的相互作用，而该相互作用可能会导致意想不到的副作用。举个例子，在日常生活中，某人因睡眠不佳，服用了助眠药物，比如镇定剂。与此同时他又出现了过敏反应，需要服用治疗过敏的药物，比如抗组胺药。当两种药物混合服用，就可能会减缓大脑的反应。如果此人是从事车辆驾驶或者机械操作等需要注意力高度集中的工作，那么一旦出现紧急情况，就可能因无法及时做出反应，发生难以预料的危险。因此，如果能够提前预测DDI，就能有效避免类似情况的发生。
总结归纳现有DDI预测方法：
大致可分为两大类。
一类是分子表示，主要聚焦于药物分子的特征学习。这类方法都基于同样的假设：即具有相似嵌入表示的药物分子将会表现出相似的DDI。如图2右边所示，分子A和分子B有相似的分子结构，那它们所学到的特征向量也是相似的，如果分子A与分子C存在相互作用，那么可以推断分子B和分子C也有类似DDI存在。药物分子特征学习有很多方法，比如类似文本编码的一维SMILES序列，比如传统基于分子描述符或分子指纹ECFP的方法，或是基于3D坐标轴位置信息的方法。如文献2中提到了一种新颖的分子表示方法，即基于多视角药物特征学习更好的药物相似性，但这种方法仅限于对药物分子本身的表示学习，大多数情况下都依赖于领域知识。

另一类常用的DDI预测方法是基于网络嵌入的方法，通过构建各种与药物有关的生物网络，在这个网络中，将药物看作网络中的节点，通过学习节点的嵌入表示来预测潜在的边，即DDI的关系。构建映射关系网络也有多种方法，比如矩阵分解，把目标关系构建成一个矩阵进行求解；比如随机游走，在图中选择固定的路径进行游走以获取更多的节点特征。这类方法的目标在于预测药物之间的标签边，但它们只关注单一的DDI关系，并没有考虑与药物有关的其他联系。

通过以上分析可以发现，这些方法的初衷是希望获得更多生物关联的信息。如果一个图或数据能够提供更多信息，那么就能有效辅助DDI预测，此时知识图谱就成为了一个上佳的选择。因为知识图谱蕴含了丰富的信息，包括多个实体之间的结构关系、与每个节点关联的语义关系等。在对过去DDI预测方法的梳理中，我们也找到了基于知识图谱的方法，但这个方法是采用知识图谱嵌入的方式，直接学习节点的嵌入表示，没有考虑每个实体丰富的邻域信息。为突破局限，林轩等人在知识图谱中引入图神经网络，借用图神经网络对每个节点进行邻域采样，通过聚合邻域信息获得实体的嵌入表示，这也就是基于知识图谱的图神经网络的动机来源。

提取KG中的高阶结构和语义关系？
答案：对KG中每个实体的邻域进行学习，作为它们的局部感知域，然后将邻域信息与来自当前实体表示的偏差进行整合。这样，感知域可以自然地扩展到多个跃点，以对高阶拓扑信息进行建模并获得潜在的药物长距离相关性特征。