基于元路径与简化邻域聚合的药物-靶标相互作用预测模型SNADTI的创新研究

本研究针对生物网络中数据规模小、不平衡和噪声干扰导致的注意力机制不稳定问题，提出基于平均聚合的简化邻域聚合方法SNADTI。通过构建异构生物网络，采用单层长元路径结构和语义注意力融合策略，显著提升DTI预测效率与准确性，在三个异构数据集上超越12种基线方法，为药物重定位提供高效计算工具。

　　

在药物研发领域，准确预测药物-靶标相互作用(DTI)是加速药物重定位和发现的关键环节。当前基于元路径(Metapath)的预测方法普遍依赖注意力机制区分邻居重要性，但在小规模、不平衡的生物网络中，这种方法容易受到噪声和缺失数据的干扰，导致权重学习不稳定、效率低下以及过拟合风险增加。这些局限性严重制约了DTI预测模型在真实生物医学场景中的应用效果。

为突破这一技术瓶颈，研究人员开发了名为SNADTI的创新模型。该研究通过系统性实验证明，在生物网络特有的数据条件下，传统的多层注意力机制并非最优选择。相反，采用简化邻域聚合策略——即通过单次平均聚合预处理替代迭代注意力计算，配合长元路径捕捉高阶语义信息，能够更稳定高效地完成DTI预测任务。

研究方法的核心在于构建异构生物网络G=(V,E,T^v
,T^e
)，其中包含药物(D)、靶标(T)、疾病(I)等多类型节点。关键技术路线包含：1) 简化邻域聚合阶段，使用公式(3)所示的矩阵乘法实现单次特征聚合；2) 特征转换环节通过类型特定矩阵W₀
统一特征空间；3) 语义融合模块采用多头注意力机制整合不同元路径特征；4) 构建药物-靶标对(DTP)相关图，通过GCN层挖掘潜在关联。实验数据来源于DrugBank、HPRD等公共数据库，涵盖708-2,214种药物和1,152-1,968个靶标。

研究结果部分揭示多项重要发现：
3.1 简化邻域聚合
通过公式(1)的均值聚合操作，证明单次聚合即可有效提取结构特征，较MHGNN降低O(nd(ke+kd))计算复杂度。图3显示训练时间缩短40%的同时，AUC提升1.46%。

3.4 消息更新
采用GAT的多头注意力策略，通过公式(6)的LeakyReLU激活函数δ实现元路径实例的差异化整合。消融实验(图4)显示该设计使Hetero-C的AUPR达到0.9995±0.003。

4.4 预测性能
在三个异构数据集测试中，SNADTI的MCC指标分别提升5.7%、5.73%和3.75%(表4-5)。案例研究(表7)验证了前100对预测结果中Mycophenolic acid-TLR9等新型相互作用的生物学合理性。

4.6 特征分析
图6的余弦相似度比较表明，平均聚合使特征相似性提高15-20%，证明其在平滑噪声方面的优势。而元路径长度分析(图7)显示长度为5时各项指标达到峰值，说明该长度能平衡信息丰富度与计算效率。

这项研究的创新价值主要体现在三个方面：首先，提出的简化聚合策略为生物网络分析提供了新范式，证明在特定条件下简单方法可能优于复杂机制；其次，长元路径与单层结构的组合突破了传统GNN的深度限制；最后，模型在保持精度的同时显著提升计算效率，使其更适合资源有限的医学研究场景。未来工作可考虑引入动态时间建模，以更好反映真实生物过程的时序特性。这些发现为异构生物网络分析提供了方法论参考，对推动计算药物发现具有重要意义。