GATPDD：一个用于预测药物-寄生虫疾病关联的增强型深度学习框架

《IEEE Journal of Biomedical and Health Informatics》：GATPDD: an Enhanced Deep Learning Framework for Predicting Drug-Parasitic Disease Associations

寄生虫疾病药物关联预测模型研究。提出基于深度学习的GATPDD框架，整合增强型Deep Graph Infomax与多头发图注意力网络，有效解决数据稀缺问题，实验显示其准确性和鲁棒性优于现有方法，并成功应用于实际案例。

　　

摘要：

寄生虫疾病对人类健康构成了严重威胁。准确且稳健地预测药物与寄生虫疾病之间的关联对于推进药物发现和开发寄生虫疾病疗法至关重要。然而，该领域的生物医学数据往往过于匮乏，无法用于训练通用的机器学习模型。尽管已经开发出用于预测潜在药物-寄生虫疾病关联的计算方法，但由于数据限制，这些方法的性能受到了限制。在这里，我们提出了一个名为GATPDD的深度学习框架，以改进药物-寄生虫疾病关联的预测。我们的模型结合了增强型深度图信息最大化（Deep Graph Infomax）、多头图注意力网络（Multi-head Graph Attention Networks）和邻域交互注意力（Neighborhood Interaction Attention），以在基准数据集有限的情境下优化特征学习和嵌入聚合。广泛的对比实验表明，GATPDD有效缓解了数据稀缺问题，提高了模型的泛化能力，并显著提升了准确性和稳健性，超越了现有最先进的方法。我们进一步使用GATPDD进行了案例研究，结果验证了其在实际应用中识别可靠药物-寄生虫疾病关联的能力，表明GATPDD在寄生虫疾病疗法的药物发现方面具有潜力。