综述：基于图神经网络及扩展方法的药物-药物相互作用预测

这篇综述系统阐述了机器学习（ML）在药物-药物相互作用（DDI）预测中的前沿进展，重点解析了图神经网络（GNN）和超图神经网络在分子图、DDI图及多模态网络中的应用潜力，并探讨了整合蛋白质组学与代谢组学数据构建系统生物学视角的可行性。

　　

Abstract

药物-药物相互作用（DDI）的早期识别对降低患者风险至关重要。近年来，基于图神经网络（GNN）和超图的方法在DDI预测中展现出优于传统非图模型的性能。通过整合分子结构、蛋白质互作（PPI）和代谢物数据，这些算法为DDI预测提供了系统生物学层面的新视角。

Introduction

DDI指两种药物联用时的效应变化，常导致患者不良事件（AE）。老年和住院患者中DDI发生率高达28.8%-72.2%，多药联用（polypharmacy）进一步加剧风险。机器学习（ML）因其低成本和高效率被FDA认可为药物开发关键工具，而图结构数据（如分子图和DDI图）能更直接地捕捉药物间复杂关系。

Types of graphs and employed machine learning methods

DDI预测主要依赖两类图：

1. 分子图：以原子（V）为节点、化学键（E）为边，结合原子特征矩阵A∈R^|V|xK
   ；
2. DDI图：以药物为节点、相互作用为边。
   GNN通过函数f(G_i
   , G_j
   , W)→R学习药物对的关系模式。

Recent advances with GNNs

分子图GNN

Chen等提出键类型感知的消息传递CGN，通过注意力图池化生成分子嵌入；Feng等结合分子图与SMILES序列特征提升预测性能。

DDI图GNN

Feenee等通过多关系DDI图采样优化CGN效率；Kang等融合不同层级的拓扑表征增强模型泛化能力。

多模态GNN

Zitnik的Decagon模型在异构网络中同步预测DDI、PPI和药物-蛋白相互作用，覆盖964种DDI边。

Hypergraphs as intuitive representations

超图允许单边连接多个节点，天然支持多药联用（polypharmacy）和副作用建模。Nguyen等将药物与AE共置于超图，通过光谱卷积学习潜在空间关系。

Data sources

DDI数据主要来自上市后监测（如FAERS数据库），但临床前数据覆盖有限。补充数据源包括：

• 化学结构：PubChem分子图；
• 蛋白质数据：CYP酶代谢通路与药物结合特征；
• 代谢物数据：KEGG代谢网络与药物代谢产物关联。

Future perspectives

当前模型需突破以下局限：

1. 从二元预测转向剂量依赖的概率输出；
2. 整合代谢组学数据构建系统级扰动模型；
3. 量化蛋白结合亲和力等精细特征。

Conclusions

GNN和超图方法为DDI预测开辟了新路径，而结合多组学数据将进一步提升模型的可解释性与临床相关性。未来需聚焦算法优化与生物系统数据的深度整合。