DD-HGNN+：通过具有层次对比学习和交叉注意力学习的一般超图神经网络进行药物-疾病关联预测

《IEEE Journal of Biomedical and Health Informatics》：DD-HGNN+ : Drug-Disease Association Prediction via General Hypergraph Neural Network With Hierarchical Contrastive Learning and Cross Attention Learning

药物-疾病关联预测存在高阶关联捕捉不足和稀疏性挑战，本文提出基于分层对比学习和跨注意力机制的DD-HGNN框架，通过超图神经网络学习高阶关联并改进表示质量，结合λ加权损失函数提升稀疏数据下的预测性能，实验表明其优于现有方法且在白血病和结直肠癌验证中可靠。

　　

摘要：

药物-疾病关联（DDAs）的识别研究在药物开发、临床决策和药物再利用等场景中得到广泛应用，具有重要的生物学和医学意义。现有的药物-疾病关联预测方法已经取得了不错的性能，但这些方法主要依赖于简化的药物-疾病关联图或相似性图。这些方法往往难以捕捉复杂多模态数据的高阶相关性，从而限制了它们有效处理数据关联复杂性的能力。此外，真实的药物-疾病关联具有高度稀疏性，这对预测准确性构成了重大挑战。为了解决这些问题，我们提出了一种基于层次对比学习和交叉注意力学习的通用超图神经网络框架来进行药物-疾病关联预测。该框架利用超图神经网络学习药物和疾病的表示，并通过交互式注意力学习和层次对比学习来提高表示质量。同时，采用加权损失函数来适应真实药物-疾病关联的高稀疏性，并提升预测性能。大量实验表明，DD-HGNN在预测药物-疾病关联方面优于其他最先进的方法，通过对白血病和结直肠肿瘤的案例研究进一步验证了其可靠性。

引言

药物-疾病关联的识别在药物发现、药物再利用以及理解疾病机制方面起着关键作用[1]。随着传统药物开发成本和时间的不断增加，计算方法已成为加速发现现有药物新治疗用途的强大工具[2]。通过结合基于网络的方法和机器学习技术，这些方法可以有效地预测潜在的药物-疾病关联。这样的预测有助于识别具有临床验证潜力的候选药物，显著减少了将有效治疗方法推向市场所需的时间和成本[3]。目前，现有的研究方法大致可以分为两类：基于传统机器学习的方法和基于深度学习的方法[4]、[5]。