论文解读：SumGNN: Multi-typed Drug Interaction Prediction via Efficient Knowledge Graph Summarization（Bi）

Part1 Introduction
以前的大多数工作都集中在二元 DDI 预测上，而多类型 DDI 药理作用预测更有意义但任务更艰巨
SumGNN: knowledge summarization graph neural network:
提出了一种新方法SumGNN，可以有效地使用KG 来帮助预测药物相互作用

Part2 Methods
Problem Settings:
（1）Drug Interaction Graph：
𝐺_𝐷𝐷𝐼 = {(u,r,v)|u∈ D,r∈𝑅_𝐷,v∈D)},
（2）External Biomedical Knowledge Graph：
𝐺_𝐾𝐺 = {(h,r,t)|h,t∈E,r∈R}
最终是要将 𝐺_𝐷𝐷𝐼 中的药物实体聚合到 𝐺_𝐾𝐺
Multi-relational DDI Prediction：
药物相互作用 (DDI) 预测是输出给定一对药物的药理作用。 从数学上讲，就是学习从药物对(u,v)∈(D×D)到药理作用r∈ 𝑅_𝐷的映射F:D×D→ 𝑅_𝐷
A.The Local Subgraph Extraction Module
首先为 u和v 提取 k-hop 相邻节点:

然后，根据这些节点的交集获得封闭子图:

对于子图 𝐺_𝑆𝑢𝑏 中的每个节点 i，我们首先计算 i 和中心药物对节点 u，v 之间的最短路径长度 d(i,u) 和 d(i,v)。之后，我们将其转换为位置向量:

然后，我们将节点i的表示更新，获得初始节点i的嵌入表示：

B. The Knowledge Summarization Module
知识汇总模块，将子图信息汇总为基于图的潜在药物相互作用途径。 保留包含药物相互作用最有用信号的边缘，同时去除不重要的路径。
采用层独立的、关系感知的自注意力模块为每条边分配权重。
交互信号强度分数：

C. The Multi-Channel Integration Module
Channel 1: Summarized Knowledge：利用子图为输入药物对生成潜在表示，使用以下消息传递方案对其进行集成。对于每个节点 v，我们使用注意力分数计算由第 l 层的信号强度分数 b_𝑣^((𝑙))的关系感知消息权重：

防止过拟合：


Channel 2: Subgraph Features
为了获得子图的嵌入ℎ_(𝐺_𝑆𝑢𝑏 )，我们取由线性层投影的第 l 层 𝐺_𝑆𝑢𝑏 中所有节点嵌入的平均值为:

Channel 3: Drug Fingerprint
化学指纹等分子信息已被证明是药物相互作用的有力预测指标。 因此，除了网络表示之外，我们还获得了每个药物 v 的Morgan fingerprint fv，它是药物的预测描述符。
Layer-wise Channels Aggregation
为了组装通过每一层生成的各种表示，我们采用 layer-aggregation mechanism
在每一层中连接节点/子图嵌入：


为了整合化学指纹，我们通过化学表示的串联更新层聚合嵌入：

最后，我们将各个通道组合在一起以获得输入的药物对表示：

为了预测关系，我们获得了一个预测概率向量𝑃_(u,𝑣)， 𝑃_(u,𝑣)是通过将药物对表示提供给由 Wpred 参数化的解码器来计算的 ：

Training and Inference
在训练期间，对于multi-class classification task，每条边 (u,r,v) 的交叉熵损失 ：


对于multi-label classification task，给定边（u，r，v），采用二元交叉熵损失：



SumGNN的最终损失函数为：

Part3 Results
数据集：
(1)DrugBank：multi-class classification
(2)TWOSIDES：multi-label prediction
(3)HetioNet：从 29 个公共数据库合并的大型异构知识图谱
Metrics ：
DrugBank：F1 Score； Accuracy； Cohen’s Kappa
TWOSIDES：ROC-AUC；PR-AUC；AP@50

Part4 Conclusion
在本文中，我们提出了一种新方法SumGNN：用于多类型DDI预测的知识摘要图神经网络，它主要由一个局部子图模块启用，可以有效地锚定来自KG的相关子图，一种基于自注意力的子图总结方案，可以生成推理 子图中的路径，以及利用大量外部生物医学知识的多通道知识和数据集成模块，显着改进了多类型 DDI 预测。