编辑推荐：
在药物研发和安全用药中，药物 - 药物相互作用（DDI）预测意义重大。现有方法存在诸多局限，如无法处理复杂信息、稳健性差等。研究人员提出 Fuzzy - DDI 模型，实验表明该模型在 DDI 预测任务上表现优异，为相关研究和应用提供新方向。
在医疗领域，药物治疗是常见手段，但患者同时服用多种药物时，药物之间会 “相互影响”，这就是药物 - 药物相互作用（Drug - drug interactions，DDI）。DDI 可能降低药效，甚至危害患者健康。例如，日常使用的抗菌药物阿莫西林和林可霉素，不同剂量搭配会产生不同效果，低剂量时二者相互抑制，药效降低；高剂量时阿莫西林会促进林可霉素代谢，增加其毒性反应。
传统确定 DDI 的湿实验室方法，就像在黑暗中摸索，不仅昂贵，而且耗时，因为生物分子间的相互作用极为复杂。近年来，计算方法虽广泛用于 DDI 预测，但也问题重重。基于知识的方法，依赖专家定义知识构建模型，获取和维护知识需耗费大量人力，扩展性受限；基于机器学习的方法，虽能利用算法训练模型，但难以充分挖掘药物数据中的语义知识；基于网络的方法，需要大量标记训练数据，泛化能力有限，处理小样本任务时效果不佳。而且，现有方法普遍存在三个固有缺陷：依赖二元运算，难以处理稀疏或噪声数据；多为黑箱模型，难以解释预测结果；仅关注药物对间的简单相互作用，忽略药物剂量、靶细胞类型等重要医学因素。
为解决这些问题，大连海事大学的研究人员开展了深入研究。他们提出一种新的稳健模糊逻辑查询模型 ——Fuzzy - DDI，用于在各种复杂条件下预测 DDI。该研究成果发表在《Artificial Intelligence in Medicine》上，为药物研发和安全用药带来了新的曙光。
研究人员在研究中运用了多种关键技术方法。在任务实施方面，将药物视为查询中的实体，把药物相关信息当作关系投影，把数据集中的知识三元组(e1,r,e2)转化为查询五元组((e1,r1),r,(e2,r2)) 。例如在多剂量 DDI 预测任务中，把药物剂量作为关系投影进行研究。同时，基于模糊集理论，利用模糊逻辑定义逻辑运算符，在推理过程中将 DDI 预测分解为关系投影和对模糊集的逻辑运算。
研究结果
- 复杂任务预测能力：Fuzzy - DDI 可处理包含其他医学信息的复杂预测任务。以多剂量 DDI 预测任务为例，研究人员研究不同剂量药物共同使用产生的联合效应，将药物剂量作为关系投影，成功将传统的三元组转化为更复杂的查询五元组，完成了现有方法难以完成的任务，验证了其在复杂条件下的推理能力。
- 模型稳健性探究：研究人员通过模拟噪声实验（向训练数据中添加一定比例的错误样本）和缺失样本实验（随机丢弃部分正确样本），评估 Fuzzy - DDI 在复杂条件下的稳健性。结果表明，该模型在处理噪声和缺失样本数据时表现出色，展现出良好的容错性和稳健性。
- 综合性能评估：在三个基准数据集上进行实验，Fuzzy - DDI 在各种 DDI 预测任务上均显著优于当前最先进的方法，这充分证明了其有效推理能力、容错性和稳健性。
研究结论与讨论
Fuzzy - DDI 模型的提出是药物 - 药物相互作用预测领域的重要突破。该模型基于模糊逻辑，将复杂的 DDI 预测查询分解为关系投影和模糊集上的逻辑运算，提高了模型的稳健性，能够处理包含其他医学实体的复杂预测任务，这是现有方法难以做到的。其在噪声和缺失样本环境下的良好表现，为实际应用提供了更可靠的保障。
在未来的研究中，Fuzzy - DDI 模型有望进一步优化，拓展其在更多复杂医学场景中的应用。例如，可以考虑纳入更多种类的医学信息，如基因数据、患者个体差异等，进一步提升预测的准确性和全面性。同时，该模型的成功也为其他生物医学领域的研究提供了新思路，推动相关领域朝着更加精准、高效的方向发展。总之，Fuzzy - DDI 模型的出现，为药物研发、临床合理用药等方面提供了有力的技术支持，具有重要的理论意义和实际应用价值。
