AI医药论文解读--Drug-drug Interaction Prediction with Graph Representation Learning

基于图表示学习的药物相互作用预测

论文题目	Drug-drug Interaction Prediction with Graph Representation Learning
论文出自	BIBM 2019

一、现有DDI预测方法的不足之处？

• 可扩展性：依赖于不同的药物相关特征，导致在涉及大规模数据集时，大多数药物无法获得重要特征。
• 可解释性

​ --》建立了一个全新的模型来解决这两个问题：

• 小规模DDI数据集和大规模DDI数据集上的实验表明，与现有的各种先进方法相比，我们的模型可以实现更高的性能，这表明了我们模型的可扩展性。

• 能够找到具有注意机制的最重要的局部原子，这些原子符合领域知识，具有一定的可解释性。

  （我们推断，局部化学亚结构是决定DDI发生的核心。因此，我们建议仅利用从分子图中提取的压缩结构信息来预测DDI。图卷积神经网络（GCN）可以有效地从不规则结构对象（如分子数据）中提取有用的特征）

二、模型？

• 两个连续部分组成：
  • GCN：将不规则结构的分子数据转换为低维向量空间中相应的嵌入向量
  • 交互预测器：预测DDI

输入SMILES，通过RDKit转换为分子图。借助RDKit，可以从分子图中提取两种结构信息。这两种结构信息是原子列表和多通道邻接矩阵，它们将被输入到下面的GCN中。

三、各模块详细介绍？

3.1 GCN

将复杂的不规则结构分子图转换为低维空间中的实值嵌入向量。

• 1） 输入：

  • 原子列表：对于分子中的每个原子，根据其核电荷数的标准正态分布分配随机初始化的嵌入向量。通过叠加这些随机初始化的嵌入向量生成的嵌入矩阵。
  • 多通道邻接矩阵：通道维数表示化学键的类型。集中研究了四种化学键：单键、双键、三键和芳香键。我们通过简单的一个热编码来表示键的类型。

• 2） 更新过程：通过叠加几个图卷积层实现，以考虑更广泛的化学环境。提出了两种机制来将简单的化学知识编码到更新过程中，分别是Bond-aware Message 和 Highway-based Update。

  • 键感知消息：对于每个顶点，聚合由其直接邻域顶点传递的消息，并将这些消息相加。
    
  • Highway-based Update：
    

• 3） 输出：堆叠几个图形卷积层（总共L层）来学习图形中每个顶点的隐藏表示。在最后的图卷积层，得到了一个分子中每个原子的最终隐藏态集

  基于Sg集合，我们需要生成一个嵌入向量g表示整个图形或分子。（假设GCN中的浅层将提取更多的具体特征，而深层将学习更多的抽象特征。）按照这种思路，整个图形的表示必须同时考虑具体和抽象特征。因此，需要注意池层：
  

3.2 Drug-drug Interaction Prediction

• 利用循环相关运算将两个分子嵌入向量压缩成一个嵌入向量：
  
  关于循环相关运算：

  循环相关运算不满足对称性，模型可能对两种药物的顺序敏感。

  –》通过复制每一对药物分子并颠倒两个药物分子的顺序，将训练集的大小增加了一倍，并在这个新的双尺寸数据集上训练模型。推理过程必须使用原始对和具有相反顺序的对进行两次，然后平均两个估计的相互作用概率以获得最终预测。
  

• 将g传递到一个非线性激活函数为sigmoid的单层神经网络中，以预测药物对或特定DDI类型之间存在相互作用的概率。
  

四、实验结果？

五、思考？

改进：在DDI预测领域仍有进一步发展的空间。使用的图卷积算子只能对平面二维分子图进行运算，这可能会丢失一些由三维结构传递的重要信息。在三维结构上发展图卷积算子是一个很有前途的方向。