基于磁性符号图神经网络的药物互作用关系预测

来源：计算机技术与发展杂志2024年第06期北京时间：

作者：陈明;姚斌;胡子涛;马华

摘要：药物互作用(Drug-Drug Interactions,DDIs)是病人同时或在一定时间内先后服用两种或两种以上药物后产生的复合效应,它可使药效加强或减弱,甚至产生不应有的毒副作用。 图神经网络(Graph Neural Networks,GNNs)是当前流行的一种 DDIs 预测框架,它已在单类型和多类型的 DDIs 场景中取得了很好的效果。 然而,大多数现有方法忽视了 DDIs 的语义描述细节,例如,药理学变化中的符号和角色信息。 针对 DDIs 数据中药理学变化符号和角色的共存现象,构建了带节点属性的符号有向图,并将 DDIs 关系预测定义为符号与方向的联合预测任务。 引入磁性符号图神经网络( Magnetic Signed GNN,MSGNN),提出了 MSGNN-DDI 预测方法,用于同时挖掘 DDIs 网络的符号和方向信息。 该方法不仅可用于预测 DDIs 关系中的符号或方向,而且适用于它们的联合预测任务。 从 DrugBank 和 PubChem 数据库中提取药物节点属性与DDIs,所得实验结果表明该方法能有效应对药理学变化的符号与方向联合预测,且在符号、方向单任务上与基线方法具有可比性。

关键词：药物互作用;符号有向图;谱图神经网络;磁性符号拉普拉斯;符号与方向联合预测