TGDIP：两阶段图信息最大化方法在药物相互作用预测中的应用

《IEEE Transactions on Artificial Intelligence》：TGDIP: Two-Stage Graph Information Maximization for Drug-Drug Interaction Prediction

药物-药物相互作用预测的两阶段信息最大化模型TGDIP提出，通过对比学习和信息瓶颈机制解决药物特征均质化和配对冗余问题，在三个公开数据集验证有效。

　　

摘要：

近年来，基于图神经网络（GNN）的药物相互作用预测（DDIP）模型纷纷涌现。尽管GNN在DDIP领域表现出色，但现有方法仍面临两大挑战：药物特征的同质化和药物对特征的冗余性。具体而言，许多药物在原子结构上差异较小，但在药效上存在显著差异。GNN的传播机制倾向于将每种药物所属子结构内的所有药物特征进行同质化处理，从而导致后续预测结果出现混淆。此外，这种同质化现象还会使邻近药物的不相关特征容易被整合到目标节点中，从而严重影响预测性能。因此，我们提出了一种两阶段图信息最大化模型用于药物相互作用预测，即TGDIP。TGDIP主要由两部分组成：药物特征信息最大化模块和药物对特征信息最大化模块。第一部分采用对比学习结合全面的图结构增强方法，并设计基于互信息的约束机制来确保药物特征的独特性，从而缓解同质化问题；第二部分则利用希尔伯特-施密特独立性准则来压缩药物对之间的冗余信息，提升药物相互作用的表示效果。通过在三个公开数据集上的实验验证，证明了TGDIP的有效性。