论文剖析
生物信息学|DPDDI:药物-药物相互作用的深层预测模型
///
1. 摘要:
在本工作中,我们提出了一种新的方法(即DPDDI),利用图卷积网络(GCN)和深度神经网络(DNN)模型作为预测器,从DDI网络中提取药物的网络结构特征,从而预测DDIs。GCN通过获取DDI网络中药物的拓扑关系来学习药物的低维特征表示。DNN预测器将任意两种药物的潜在特征向量串联起来作为对应药物对的特征向量,训练一个DNN,用于预测潜在的药物-药物相互作用。实验结果表明,该方法的性能优于其他四种先进的DDI方法
提出了一种有效而稳健的DPDDI方法,利用DDI网络信息,在不考虑药物性质(即药物的化学和生物性质)的情况下预测潜在的DDIs。该方法在其他ddi相关的场景中也应该有用,比如检测意外的副作用,以及指导药物联合使用。
2. 背景
利用药物-药物相互作用(DDIs)产生的协同效应,多药联合治疗复杂疾病是目前的流行趋势。然而,意外的DDI也可能引发副作用、不良反应,甚至严重的毒性反应,使患者处于危险之中。随着对多药治疗的需求日益增加,对DDIs的识别也越来越迫切。然而,无论在体内还是在体外,在大量的药物对中检测DDIs都是昂贵和费时的。为了协助筛选DDIs,计算方法已经发展,以推断候选药物-药物相互作用。
通常,基于机器学习的方法包括特征提取器和监督预测器。