MFDA:基于双层注意力的多视图融合药物相互作用预测
MFDA: Multiview fusion based on dual-level attention for drug interaction prediction
Front Pharmacol. 2022 Oct 6
1.研究背景
大多数传统方法根据药物特征或网络结构预测药物相互作用。
它们通常有三个限制:
1)未能很好地整合药物特征和网络结构,导致药物嵌入信息较少;
2)局限于药物相互作用关系的单一观点;
3)忽略不同邻居的重要性。
大多数忽略了多视图学习的重要性。集成多个视图有助于捕获更全面的关系。
实验中经常使用的邻接视图仅反映了相互作用药物之间直接相似性的一个方面。事实上,不直接相互作用的节点之间的相似性已被证明在生物网络中非常有用(Huang等人,2020)。
--》
提出了一种新的多视图融合方法(MFDA)来预测DDI。
除了提供局部拓扑关系的邻接视图外,我们还添加了提供超越一阶拓扑关系的扩散视图和基于特征相似性构建的最近邻视图,以捕获更全面、更准确的 DDI 模式。此外,为了整合每个视图下的药物特征和网络结构,我们采用交叉融合策略将药物特征与每个视图下的药物相互作用网络深度融合。为了区分不同邻居和视图的重要性,MFDA采用双注意力机制(节点级和视图级)获得统一的药物嵌入,用于药物相互作用预测。
-
1)本研究提出了一种新的MFDA方法来预测药物相互作用。构建药物相互作用的多个关系视图,并采用交叉融合策略处理每个视图下的药物特征和拓扑信息的融合。
-
2)MFDA提出了一种双层次的注意力机制,以区