基于多尺度有向拓扑关系与药物特征融合的非对称药物相互作用预测模型研究

针对非对称药物相互作用(DDI)预测中方向性缺失和拓扑关系建模不足的问题，研究人员开发了ADI-MSF模型。该模型通过双通道多尺度编码器整合有向拓扑信息(GAT)和药物自特征(AE)，在两项预测任务中准确率超95%，为优化联合用药方案提供了新工具。

　　

在临床联合用药中，药物相互作用(DDI)可能导致疗效降低或严重不良反应。传统对称性DDI预测模型忽视了一个关键事实：约40%的临床DDI具有方向性，如抗癌药顺铂(cisplatin)与5-氟尿嘧啶(5-fluorouracil)的给药顺序直接影响总体缓解率(ORR)。现有模型难以捕捉有向拓扑关系和多尺度特征，导致预测准确性受限。厦门大学研究人员在《Computational Biology and Chemistry》发表的研究提出ADI-MSF模型，通过创新性融合有向图神经网络与药物特征编码技术，实现了非对称DDI的高精度预测。

研究采用两大关键技术：1)基于DrugBank构建的有向DDI网络数据集，包含DGAT-DDI等真实临床数据；2)双通道多尺度编码架构，拓扑通道使用无自环的图注意力网络(GAT)提取一阶/二阶有向邻域嵌入，特征通道通过自编码器(AE)生成药物摩根指纹(Morgan fingerprints)的多尺度表示。特征融合阶段采用求和与哈达玛积(Hadamard product)生成药物对嵌入，最终通过多层感知机(MLP)完成预测。

【研究结果】

1. 模型架构设计：ADI-MSF在拓扑编码器中创新采用去除自环的GAT，有效区分源药物(source drug)和目标药物(target drug)的角色差异。特征编码器通过AE的瓶颈结构实现特征降维，保留不同尺度的化学结构信息。

2. 性能验证：在不对称DDI预测任务(Task 1)中达到95.2%准确率和F1值，方向预测任务(Task 2)获得92.4%的F1值，显著优于DeepDDI等基线模型。消融实验证实双通道设计使预测性能提升7.3%。

3. 案例分析：模型成功预测了华法林(warfarin)与抗生素联用时的单向增强效应，以及抗抑郁药与β受体阻滞剂间的非对称拮抗作用，验证了临床相关性。

【结论与意义】
该研究首次系统性地解决了非对称DDI预测的三个核心挑战：1)通过有向GAT建模药物攻击性(aggressiveness)与易感性(susceptibility)的拓扑表征；2)利用多尺度特征融合捕捉局部化学结构与全局相互作用模式的关联；3)建立可解释的特征交互机制。研究成果为精准医疗中的给药顺序优化提供了计算工具，代码已在GitHub开源。未来可扩展至药物-疾病多模态网络分析，推动个性化联合用药方案的智能化设计。