多视角特征编码框架MFE-DDI：融合SMILES序列、分子图与原子空间语义信息提升药物相互作用预测精度

为解决药物组合治疗中药物-药物相互作用(DDI)预测的单一视角局限性问题，研究人员开发了多视角特征编码框架MFE-DDI，整合SMILES序列、分子图结构和原子空间语义信息，通过注意力机制融合多维特征。实验表明，该方法在三个数据集上超越基线模型，AUROC最高达99.22%，为临床安全用药提供了更精准的计算工具。

　　

在治疗复杂疾病时，多药联用方案能发挥协同效应，但药物-药物相互作用(DDI)可能导致严重不良反应。传统DDI预测方法依赖单一数据视角——或基于SMILES序列的化学指纹，或依赖分子图结构，难以全面捕捉药物分子的复杂特性。现有方法如DeepDDI仅利用序列相似性，GAT等图模型则忽略空间构象信息，而知识图谱方法过度依赖外部生物实体数据。这些局限性使得现有模型的预测准确性和鲁棒性面临挑战。

为突破这一瓶颈，中国的研究团队在《Computational and Structural Biotechnology Journal》发表研究，提出多视角特征编码框架MFE-DDI。该工作首次整合SMILES序列的1D特征（通过FCS算法和Transformer编码）、分子图的2D结构特征（采用MPAN网络）以及原子空间语义信息（包含中心性编码和空间编码），通过注意力机制动态融合多维特征，最终在三个标准数据集上实现AUROC 95.62%-99.22%的突破性性能。

关键技术包括：1) 使用FCS算法将SMILES分解为化学子结构，通过8头Transformer提取序列特征；2) 基于消息传递注意力网络(MPAN)的图编码器，进行2层图特征传播；3) 原子语义编码器整合原子特性、中心性和空间位置信息；4) 基于ProbSparse自注意力的特征融合模块。实验数据来自Drugbank衍生的Pang数据集（1,548药物）、BioSNAP（1,306药物）和AdverseDDI（388药物）。

SMILES序列特征编码模块
通过FCS算法将SMILES序列分解为具有生化语义的子结构，利用Transformer捕捉上下文关系。相比传统字符级编码，该方法能更好表征功能基团作用，在Pang数据集上使序列特征F1-score提升至97.91%。

2D图特征编码模块
采用消息传递注意力网络(MPAN)分两阶段处理分子图：消息传递阶段通过GRU单元更新原子特征，读图阶段通过自注意力池化聚合全局信息。该模块在BioSNAP数据集上取得98.23%准确率，证明其对分子拓扑结构的强大表征能力。

原子语义特征编码模块
创新性地引入原子中心性编码（度中心性）和空间编码（最短路径距离），结合RDKit提取的9维原子特性，通过ProbSparse注意力建模原子间空间关系。实验显示该模块使AdverseDDI数据集AUROC提升2.48%，显著优于仅使用分子图的GAT模型。

多维特征解码与预测
注意力机制为序列(_seq)、图(_graph)和语义(_semantic)特征分配动态权重（计算公式：α_g=softmax(W₂⊙tanh(W₁⊙g+b))），最终融合向量经三层全连接网络输出预测概率。消融实验证实三通道缺一不可，移除任一特征会使AUROC下降3.5%-6.2%。

这项研究的核心突破在于首次实现了药物分子1D序列、2D结构和3D空间语义的协同编码。相比传统方法，MFE-DDI在数据量减少75%时性能波动不足2%，展现出极强的鲁棒性。案例研究证实其对2021年新批准药物（如新冠治疗药物）的DDI预测准确率达89.7%，为临床前药物安全性评估提供了可靠工具。研究者开源了代码和数据，这将推动计算药学领域向多模态特征融合方向发展，并为AI驱动的精准用药奠定方法论基础。