基于专家知识增强的图神经网络的药物重新定位方法

《IEEE Journal of Biomedical and Health Informatics》：Drug Repositioning Based on Expert Knowledge Augmented Graph Neural Network

药物重定位中基于专家知识增强的图神经网络框架DReKGNN，通过大语言模型整合DrugBank和OMIM数据库的生物机制知识，生成可解释的节点嵌入并采用均值聚合策略优化预测效果，实验验证其有效性。

　　

摘要：

药物重新定位对于加速药物发现至关重要，它通过建模药物与疾病之间的关联来为现有药物寻找新的适应症。与传统方法相比，图神经网络（GNNs）因能够有效聚合药物-疾病异构图中的相邻节点信息而最近受到了广泛关注。基于GNN的方法需要有效的节点嵌入来实现信息聚合。然而，这些方法是通过随机初始化生成节点嵌入的，而不是结合数据库中涉及生物机制的高质量专家知识。这限制了它们生成与专家知识一致的可解释节点嵌入的能力。为了解决这一差距，我们开发了一个名为DReKGNN（基于专家知识的药物重新定位图神经网络）的新框架。具体来说，DReKGNN首先采用大型语言模型（LLMs）作为专家知识与GNNs之间的语义桥梁。为了确保专家知识的准确性，DReKGNN不依赖于LLMs中的提示模板来生成药物和疾病的描述，而是直接从DrugBank和OMIM数据库中提取专家知识。然后，LLMs会根据涉及生物机制的专家知识描述生成具有可解释语义信息的有效节点嵌入。接下来，我们展示了在药物重新定位预测任务中需要减轻噪声的影响。考虑到这一设计需求，我们通过均值聚合策略将GNNs与LLM节点嵌入相结合。性能比较和案例研究的实验结果表明，DReKGNN在预测药物-疾病关联方面非常有效。代码可在https://github.com/csubigdata-Organization/DReKGNN获取。