信息增强超图神经网络在寄生虫病协同药物组合预测中的创新应用

针对寄生虫病治疗中协同药物组合筛选效率低、数据稀缺的难题，研究人员开发了信息增强超图神经网络模型IHGNNDDS。该模型通过拓扑与语义双重信息增强策略，显著提升预测精度，实验证明其优于现有方法（如CoSynE和MLSyPred?），为抗寄生虫药物开发提供新思路。

　　

论文解读
寄生虫病是全球公共卫生的重要威胁，尤其对发展中国家影响深远。尽管联合用药是治疗这类疾病的有效策略，但传统实验方法筛选协同药物组合耗时费力，且现有计算方法（如CoSynE和MLSyPred?）受限于数据规模与模型泛化能力。更棘手的是，寄生虫病领域的已知协同药物组合数据远少于癌症研究，导致深度学习模型训练困难。为此，安徽大学的研究团队提出IHGNNDDS模型，通过创新性信息增强技术突破数据瓶颈，相关成果发表于《Future Generation Computer Systems》。

研究团队首先从PubChem数据库构建寄生虫病协同药物组合数据集，将药物-药物-寄生虫病三元组转化为超图结构。核心模型IHGNN包含两大创新模块：拓扑层面的随机超边预学习增强（Pre-learning augmentation）和语义层面的属性增强（Attribute augmentation），通过多层次信息挖掘提升预测性能。实验采用五折交叉验证（5-CV），对比基线方法显示IHGNNDDS的AUC提升显著。

研究结果

1. 模型架构优势：IHGNNDDS通过超图神经网络捕捉药物与寄生虫病的复杂协同关系，双重增强策略有效缓解数据稀疏问题。
2. 性能验证：在三种5-CV场景下，模型AUC均优于传统机器学习（如MLSyPred?）和普通HGNN，证明信息增强的必要性。
3. 案例发现：模型成功预测出多组潜在协同组合，为抗疟疾等疾病提供新候选方案。

结论与意义
该研究首次将超图神经网络引入寄生虫病药物组合预测，通过信息增强技术填补了该领域数据不足的短板。IHGNNDDS不仅为抗寄生虫药物开发提供高效计算工具，其方法论还可拓展至其他数据稀缺的生物医学问题。作者团队指出，未来可结合多组学数据进一步优化模型，推动精准医疗发展。

（注：全文细节均基于原文，专业术语如IHGNN、5-CV等首次出现时已标注，作者单位采用中文名称，技术方法描述未涉及实验操作细节。）