基于双超图对比学习与层次注意力机制的微生物-药物互作预测新方法DHCLHAM

本刊推荐：本文提出DHCLHAM模型，创新性地融合双超图对比学习框架与层次注意力机制（DHA），通过非线性融合多源相似性数据构建KNN/KO双超图结构，采用超边级与节点级注意力进行信息聚合，并引入对比学习（CL）增强表示学习。在MDAD、aBiofilm和DrugVirus数据集上AUC最高达98.61%，显著优于现有方法，为微生物-药物互作（MDA）研究提供了新范式。

　　

引言

微生物在人体皮肤、胃肠道和口腔中无处不在，对维持人类健康至关重要。在稳态条件下，微生物群落通过参与营养代谢和影响免疫系统发育与功能来维持机体生理平衡。微生物群落结构的破坏（即生态失调）与多种疾病相关，包括肥胖、糖尿病、炎症性肠病和癌症。此外，在治疗干预期间，药物可能与宿主相关微生物发生相互作用，影响药物疗效和微生物群落组成。因此，全面理解微生物-药物相互作用对于阐明疾病机制、优化治疗策略和指导新疗法开发具有重要意义。

传统研究方法与计算方法的演进

传统上，微生物-药物关系的研究主要依赖于生物实验、临床观察和经验性治疗方法。实验室环境中，通过体外培养微生物并分析其在药物存在下的生长抑制或存活情况来评估微生物对药剂的敏感性和耐药性。临床观察则侧重于评估患者对抗菌治疗的反应，特别是在特定微生物感染的情况下，逐步积累经验性治疗方案。然而，这些传统方法存在明显局限：实验室研究需要昂贵设备和专业知识，且体外条件往往不能准确模拟体内生理环境的复杂性，导致实验结果与实际状况之间存在潜在差异；临床观察虽然能提供重要的实践见解，但需要大量病例收集和长期随访，难以及时识别普遍规律。

随着生物信息学和计算机科学的快速发展，以及微生物和药理学数据可获得性的提高，计算方法已成为预测微生物-药物关系的强大工具。早期方法如HMDAKATZ成功证明了利用异质网络推断潜在关联的实用性。随后研究引入了图神经网络，进一步增强了预测能力，GCNMDA和EGATMDA成为有影响力的范式。这些方法通常使用随机负采样策略，虽对模型训练有效，但未能明确区分不同负样本的影响。更复杂的架构如MKGCN模型试图从复杂异质网络中提取丰富特征，但 navigating 这些复杂网络结构在捕获节点间更深层次的语义和关系信息方面存在挑战。类似地，基于已知知识图谱的方法学（如PCMDA）在整合静态生物数据方面发挥了重要作用，但如何最佳地 incorporate 微生物-药物关联的动态性仍是一个开放的研究问题。

近年来，超图结构和图对比学习的最新进展为预测微生物-药物关联提供了新见解。超图通过引入超边（可连接多个节点）来扩展传统图结构，这一特性使其特别适合生物信息学应用。HGCLMDA模型通过超边结构的随机初始化和二分图来预测mRNA-药物相互作用，整合局部和全局信息编码模块进行对比学习。HyGNN模型仅依赖药物的SMILES字符串构建超图，并采用新型基于注意力的超图边编码器学习药物表示，在两个数据集上表现出优于现有方法的性能，突出了超图在捕获药物化学结构中高阶相似性方面的优势。MCHNN模型通过利用药物、微生物和疾病的特征构建超图节点，采用对比学习增强节点表示质量。这些成果凸显了超图结构和对比学习在表示生物关系方面的潜力。

DHCLHAM模型创新与方法

本研究提出了一个集成双层次注意力机制与双超图对比学习的创新框架来预测微生物-药物相互作用。主要贡献包括：首先，利用原始微生物-药物关联数据以及多种来源的微生物和药物相似性数据，结合KNN和KO聚类算法开发双超图结构。采用非线性融合方法整合多源相似性数据，通过归一化和局部相似性计算增强融合过程。其次，为管理超图中表示的高维数据（其中超边可包含多个节点），开发了超边级和节点级注意力机制进行超图内信息聚合。此外，结合双超图对比学习与Graph-Transformer来增强和融合双视角表示。最后，通过多维案例研究建立了基于网络药理学原理的计算框架，为模拟微生物-药物相互作用机制提供了新范式。

数据收集与处理

研究使用了多个专门记录微生物-药物相互作用的公共数据库，包括MDAD、aBiofilm和DrugVirus。MDAD数据库包含2,470条经过实验和临床验证的微生物-药物关联记录，涉及1,373种药物和173种微生物。aBiofilm是一个抗生物膜剂数据库，收录了1,720种针对140种微生物物种的化合物。DrugVirus则是一个专门记录针对人类病毒的药物活性及其相互作用的数据库。

微生物相似性网络通过功能相似性和高斯相互作用谱核相似性两种方法评估。功能相似性使用Kamneva算法计算，而高斯核相似性则基于网络中节点间的相互作用信息，提供了一种衡量节点间相似性的强大方法。药物相似性同样通过结构相似性（使用SIMCOMP2算法计算）和高斯相互作用谱核相似性两种方法评估。

采用非线性融合策略整合多种相似性度量，不仅减轻了数据偏差，还产生了更精确合理的微生物和药物聚合相似性。非线性融合能够通过复杂的迭代计算过程动态封装多种相似性网络之间的非线性相互作用，从而允许更全面地探索多源数据中隐藏的深层信息。

双超图构建与特征学习

使用加权超图表示微生物和药物相关的超边，其中顶点集包含微生物和药物节点，E是超边集，W是对角权重矩阵。将原始关联矩阵和融合相似性矩阵拼接形成微生物和药物的节点特征。采用KNN和KO算法基于拼接特征为微生物和药物构建超图。

在KNN算法中，使用欧氏距离计算每个微生物的最近k个邻居，随后确定一个称为超边的子集。在KO算法中，通过构建基于每个微生物与这些中心之间欧氏距离的适应度函数来选择聚类中心c，通过基于质心的方法生成高质量搜索空间和方向，优化聚类中心的位置，从而提高聚类精度。

提出了一种层次注意力机制，该机制首先计算超边级的注意力分数，然后将这些分数用于节点级注意力的计算。超边级注意力识别与特定超边e_j相关的所有节点n_p ∈ y_i的不同重要性。节点注意力评估不同超边的 varying 重要性，超边e_j对节点n_i的注意力得分b_ij通过相似性函数计算。

采用层次注意力生成信息丰富、上下文感知的节点嵌入，随后将其作为高质量输入馈入超图卷积网络（HGCN）以学习整个超图的全局拓扑结构。HGCN使用更新的节点进行谱卷积，有效编码超图结构内的高阶关系。

对比学习与集成网络

采用双视角对比学习框架来解决数据稀疏性和超图结构中复杂关系的问题。双超图结构有效解决了这两个问题：保持了输入图的基本结构，同时减少了 indiscriminate 噪声引入导致的节点特征退化。使用InfoNCE指导模型学习数据样本之间的相似性和差异性。

随后整合两个视角以创建更全面的嵌入特征向量。由于View₁和View₂视图之间的固有差异，超边的变化影响微生物和药物嵌入特征向量，导致两个视图之间的偏好不一致，从而不同地影响微生物-药物关联的最终预测。采用全局平均池化层，随后是全连接神经网络来计算每个视图的权重。最终将嵌入表示与注意力权重集成。

利用Transformer框架，将微生物最终表示数据投影到三个基本组件：微生物查询矩阵、微生物键矩阵和微生物值矩阵。通过三个投影权重矩阵W_q、W_k和W_v实现。基于q_m和k_m计算并根据Scaled Dot-Product Attention，定义视角间注意力矩阵A_m。

实验结果显示，在MDAD数据集上，模型平均AUC达到98.27%，平均AUPR为97.87%；在aBiofilm数据集上，平均AUC和AUPR分别达到98.61%和98.33%；在DrugVirus数据集上，平均AUC为92.23%，平均AUPR为92.14%。与六种最先进方法相比，DHCLHAM在大多数评估指标上表现优异。

案例验证与生物意义

通过文献验证和网络药理学分析两个案例研究验证了DHCLHAM在发现新型微生物-药物关联方面的有效性。对环丙沙星和莫西沙星两种常用抗菌剂的案例研究表明，DHCLHAM预测的前20个微生物中，分别有90%和80%得到了现有文献的证实。

对SARS-CoV-2病毒的网络药理学分析显示，模型预测的20种最相关药物中有14种通过文献回顾得到验证。基因本体富集分析显示，感染SARS-CoV-2的宿主细胞利用宿主蛋白激酶促进病毒复制和转录，病毒感染激活或破坏宿主转录因子，从而引发免疫和其他反应。病毒依赖宿主转录因子进行其复制和转录，影响它们的招募。这一途径对免疫细胞功能和感染相关病理学至关重要。

结论与展望

本研究提出了一个集成双超图对比学习模型，结合层次注意力机制来推导预测微生物-药物相互作用的初始特征。该模型通过将原始二分图与使用KNN和KO算法非线性融合的相似性矩阵相结合，创建了两个超图结构。所得超边有助于从多个角度建模各种药物和微生物之间的复杂关系。与传统的基于图的对比学习方法不同，我们在基于KNN和基于KO的超图上都进行了对比学习。随后使用多头注意力机制整合来自这两个超图的数据，生成微生物和药物的最终嵌入表示，然后用于计算微生物-药物关联分数。

然而，DHCLHAM模型存在特定局限性，主要归因于药物和微生物相似性数据的不充分编制。未来工作将探索补充的药物相关数据源，包括分子指纹、药物亲和谱、SMILES表示和药物-靶点信息。计划整合微生物数据，包括16S rRNA基因序列。现有方法创建了两种超图结构，但可能未能充分涵盖数据的完全复杂性。后续研究将检查静态配置和动态发展的超图结构的 amalgamation。同时，未来也将考虑通过生物学实验来验证模型的预测率。随后的改进将集中于使用补充数据集和复杂的机器学习方法来提高微生物-药物相互作用的预测精度。此外，对微生物-药物相互作用进行全面的案例研究，并通过网络药理学分析增强，将为微生物与药物之间的基本生物学联系提供深入理解。