AI医药论文解读：Modeling Polypharmacy Side Effects with Graph Convolutional Networks

论文题目	Modeling Polypharmacy Side Effects with Graph Convolutional Networks
中文	使用图卷积网络对多药副作用进行建模
论文出自	Bioinformatics, 2018

---

目录

一、研究的目的？

二、模型介绍？

三、数据集以及数据处理？

四、图卷积编码器？

五、张量分解解码器？

六、实验结果比较？

七、思考？

---

一、研究的目的？

• 对于患有复杂疾病的患者，需要药物组合进行治疗。 然而，多重用药的后果是患者会出现很多不良反应。目前对于药物相互作用的了解是有限的。 因此，发现药物组合间的副作用是一个重要的挑战，对患者的死亡率和发病率具有重大影响。

• 之前的研究方法仅通过代表相互作用的概率分数来表征药物-药物相互作用，但不能预测副作用的确切类型。

二、模型介绍？

Decagon是一种对多种药物副作用进行建模的方法。

• 构建了由两种节点（药物、蛋白质）、三种关系（蛋白质-蛋白质相互作用、药物-蛋白质靶标相互作用和多药副作用）的异构图。副作用表示为药物-药物相互作用，其中每个副作用是不同类型的边。

        

• 节点 C（环丙沙星）靶向四种蛋白质并与其他三种药物相互作用。 C与D或S一起使用会增加心律失常(r2)的风险，并且其与M的组合会有胃出血 r1.

• 模型结构：

  • 一个编码器：作用在G上的图卷积网络，可以生成G中的节点嵌入。

  • 一个解码器：一个张量分解模型。

三、数据集以及数据处理？

• PPI：Menche et al. (2015) and Chatr-Aryamontri et al. (2015), integrated with additional PPI information from Szklarczyk et al.(2017), and Rolland et al. (2014).

  网络是无权重、无向网络。

• DPI：STITCH 数据库，这里只研究了已经过验证的小型化学物质（即药物）和目标蛋白质的反应

• DDI：

  • SIDER (Side Effect Resource) database：包含了1556种药物、5856种副作用、和286399个可能出现的副作用（这里的数据来源于药物的标签）

  • OFFSIDES database：包含了1332种药物、10097种副作用间的487530种药物关联（这个数据是从 医生、患者、药物公司收集到的）

  • TWOSIDES 数据库

  经过去除副作用的同义词的预处理后，平均每个药物有159个副作用与其相连，最常出现的副作用有 恶心、头痛、腹泻、皮炎（不同数据集中，同一症状的表述名词不一样）

四、图卷积编码器？

• 输入：图G

• 输出：为图中每个节点生成 d维度的嵌入向量

        

 

 

我们要研究的是C节点的隐藏状态，一共有三个药物、四个蛋白质与其相连，三种药物中，S和D所产生的副作用相同，都是心律失常，和M产生的副作用是胃出血。 这里的Wr1(k)，我理解是一个对于r1这个副作用（胃出血）的参数矩阵。 W与h相乘，加上c自己的h，最后所有的加和结果 放到 激活函数 中 即得到了下一时刻c的隐藏状态。

 

对每一个节点来说他们拥有不同的神经网络结构（因为他们的相邻状态不一样）：

 

 

在得到收敛的隐藏状态之后，我们就可以执行预测操作，这里以c和s两种药物来举例，分别得到他们的表示zc和zs，经过预测后，可以得到他们具有每一种关系的概率，从而得到预测结果。

五、张量分解解码器？

• 目标：

  解码器为（vi，r，vj）打分，表示药物 vi 和 vj 通过关系相互作用产生副作用r的可能性。

• 公式：

        

• 当 vi 和 vj 是药物节点时：

  • R 是形状为 d×d 的可训练参数矩阵，它模拟所有可能的多药副作用的全局药物副作用。 每个表示不同多药副作用的关系 r 都与一个对角线 d × d 矩阵 Dr 相关联，该矩阵 Dr 建模了 zi 中每个维度对副作用 r 的重要性。

  • 当 vi 和 vj 不是药物节点时：

    采用双线性形式从节点嵌入中解码边。解码函数 g 与形状为 d × d 的可训练参数矩阵 Mr 相关联，该矩阵对 zi 和 zj 中每两个维度之间的交互进行建模。

• 基于等式中节点类型的不同边缘解码器的使用。

  Decagon 解码器可以看作是不同关系类型之间有效参数共享的一种形式。 特别是，涉及药物对的关系类型使用相同的全局药物-药物相互作用模型（即矩阵 R），其中包含适用于所有药物相关关系类型的模式。

• Decagon 模型的可训练参数为：（1）关系类型特定的神经网络权重矩阵 Wr，（2）关系类型特定的参数矩阵 Mr，（3）全局副作用参数矩阵 R，以及 (4) 副作用特定的对角参数矩阵 Dr.

六、实验结果比较？

• 964 种副作用类型的平均性能值：ROC 曲线下面积 (AUROC)、精确召回曲线下面积 (AUPRC) 和多药副作用预测的 50 (AP@50) 平均精度。

        

• 评估 Decagon 对药物对之间副作用的预测：由（药物 i，副作用类型 r，药物 j）三元组给出的新的多药副作用预测，Decagon 分配了最高概率分数。 对于每个预测，我们将其排名 k 包括在所有预测和支持预测关联存在的文献证据的排名列表中。

        

七、思考？

• 其他生物医学信息来源，例如药物的剂量浓度水平，可能与药物对的副作用建模相关，希望研究将它们整合到模型中的效用。