面向冷启动药物-药物相互作用优先级排序的一致性正则化图-表格证据融合研究

《Frontiers in Pharmacology》：Consistency-regularized graph-tabular evidence fusion for cold-start drug-drug interaction prioritization

背景：对于新上市、处方量低或特征描述不足的药物，药物-药物相互作用（DDI）的优先级排序仍然困难，原因是相互作用证据稀疏，而常规的随机药物对划分可能高估泛化能力。目的：本研究评估在严格的药物不相交（drug-disjoint）方案下，一致性正则化的异质图-表格模型能否改善冷启动DDI的优先级排序。方法：研究人员构建了RxPairEvid，这是一个多源证据资源，整合了经整理的药物知识、药物-蛋白-通路关系、蛋白相互作用背景、副作用资源、转录组扰动证据以及自发报告安全性信号。RxDDI-ConsisGAT通过关系感知（relation-aware）的GATv2层编码机制性背景，通过表格通路编码成对证据，并融合两种视图进行二分类相互作用打分。训练采用两次独立dropout掩码的随机前向传播，在标签平滑的二分类损失之外惩罚概率不一致。结果：在留出的冷启动测试中，RxDDI-ConsisGAT达到AUROC = 0.8352和AUPRC = 0.6910。同方案基线与消融实验显示，无一致性模型（0.8255）、仅表格模型（0.7734）、仅图模型（0.7163）、HeteroSAGE融合模型（0.7318）、逻辑回归（0.7597）和HistGradientBoosting（0.7803）的测试AUROC均较低。诊断分析显示评分区分度良好、校准总体合理、证据模式具有可解释性。结论：研究结果支持将图-表格证据融合作为面向专家的冷启动DDI分诊的实用策略，但在临床部署前仍需前瞻性验证与阈值校准。

研究背景与问题

药物-药物相互作用（drug-drug interaction，DDI）是多重用药（polypharmacy）场景下持续存在的用药安全挑战，有害组合往往罕见、依赖具体情境，且需在大范围临床暴露后才可能显现。DrugBank等经整理资源提供药物身份、药理类别、靶点、酶、转运体、通路及已知相互作用的结构化信息，FDA不良事件报告系统（FAERS）等自发报告资源则在人群尺度上支持上市后安全性监测。两类证据流具有互补性：经整理数据库提供机制性与标签衍生知识，药物警戒系统可揭示开发或审批阶段未被充分表征的新兴信号；但自发报告存在噪声，受漏报、混杂、重复报告与报告刺激影响，因此计算性DDI筛查必须将信号强度与机制合理性结合，而不能把任何单一证据源视为充分。

计算性DDI预测已从相似性与描述符方法发展到深度表征学习与异质生物医学图。DeepDDI表明学习到的药物对表征可预测相互作用类型，Decagon证明多关系图学习可在多模态药物-蛋白网络上建模多重用药副作用。近期研究进一步通过分子序列编码器、对比图学习、多视图融合、生物医学知识图谱与大语言模型提示拓展该方向。这些进展的共同经验是：当化学、生物学与临床证据被共同表征而非孤立使用时，DDI预测获益更大。

尚存的主要问题是评价失配。许多DDI基准采用独立同分布的药物对划分，同一药物可同时出现在训练与测试药物对中，此类方案可能奖励药物身份记忆或训练邻域伪影，尤其当模型可访问图拓扑或高维药物对特征时。在真实药物警戒中，最困难且临床相关的病例常涉及新兴药物、低证据药物或训练图中不存在的组合，因此药物不相交与新药方案能更严格地检验归纳泛化能力。新药多重用药机制的相关证据也表明，当药物已知连接稀少或被排除在训练邻域之外时，图基线可能退化。本文目的并非声称冷启动评价在该领域缺失，而是回应构建证据丰富、以药物为中心的基准，以及在受控药物不相交设置下评价紧凑图-表格模型的需要。

在此设置下有两项实际要求尤为重要。第一，模型须具备足够归纳能力，能为训练中未观察到的药物成员组成的药物对打分。第二，评分应可追溯至可识别的证据组，以便领域专家审查。纯分子预测器在结构可用时有用，但可能遗漏共享靶点、通路、不良事件表型与上市后信号等药理背景；反之，仅图模型可能过度依赖已观察邻域的密度与质量，这对新药或低证据药物不利。图-表格形式提供了中间路径：图消息传递可表征机制性背景，显式药物对汇总可保留信号检测与经整理证据特征，且这些特征可直接检查。

研究内容与结论

研究人员提出RxDDI-ConsisGAT，一个用于冷启动DDI优先级排序的一致性正则化异质图-表格学习框架，并在RxPairEvid上评价。RxPairEvid是设计用于连接机制性图背景与药物对安全及药理证据的多源证据资源。为契合Brief Research Report格式，正文仅保留必要的数据构建、模型、评价与发现，扩展的数据源细节、实现设置、训练轨迹、情境化文献比较与单项诊断图见补充材料。

RxPairEvid被构建为以药物为中心的DDI证据资源，同时支持图学习与药物对特征学习。药物身份、结构与经整理相互作用证据取自DrugBank；药物-靶点及结合证据整合自ChEMBL与BindingDB，蛋白标识符归一化为UniProt登录号；通路背景来自KEGG与SMPDB，以捕捉共享代谢与信号机制；真实世界安全性证据包括FAERS不一致性特征，含报告比值比（Reporting Odds Ratio，ROR）与比例报告比（Proportional Reporting Ratio，PRR）作为标准信号检测汇总；副作用、药物-药物效应、蛋白-蛋白、蛋白-化学及转录组扰动证据分别纳入自SIDER、TWOSIDES、STRING、STITCH与LINCS L1000。

所得模式包含药物、蛋白与通路节点，由类型化关系连接，包括药物-靶点-蛋白、药物-参与-通路、蛋白-相互作用-蛋白及用于消息传递的反向关系。药物对证据汇总概括共享靶点、酶、转运体、通路重叠、蛋白相互作用邻近度、转录组相似性、副作用重叠、经整理相互作用状态与药物警戒信号强度。实体归一化在可用时采用基于结构与同义词的映射；模糊映射被丢弃以保护标签完整性。处理后的药物对级资源包含超过107万个带标签药物对。

对于FAERS衍生证据，当两种归一化药物在同一不良事件报告中被共同报告并关联到所报告的MedDRA首选术语时定义药物对。当前构建不要求治疗起止日期与不良事件发生时间存在时间重叠，因此使用"共同报告"而非"确认同期用药"或"共同暴露"。ROR与PRR被视为关联性信号检测特征，而非时间验证暴露或因果相互作用的证据。

二分类预测任务针对无序药物对定义。对于药物对(d_i, d_j)，模型估计P(y_ij = 1 | d_i, d_j, x_ij, G)，其中y_ij表示DDI标签，x_ij表示标准化药物对证据向量，G表示异质生物医学图。药物对特征仅使用训练集统计量标准化，该步骤重要，因为药物不相交验证与测试否则可能接收留出药物分布的信息。药物对排序在特征构建与打分中保持一致处理，使同一药物对不会作为两个独立样本出现。这些防护措施旨在使评价更接近前瞻性冷启动使用，即模型在训练资源已构建后接收新药。

关键技术方法

药物不相交划分与泄漏控制：将药物划分为互不重叠的训练、验证与测试集，仅当药物对的两个药物均属同一划分时才分配该药物对，确保零药物身份重叠；特征标准化器仅在训练划分拟合后原样应用于验证与测试。训练划分含2,756种药物与678,447个药物对，验证划分含344种药物与11,320个药物对，测试划分含346种药物与11,086个药物对，各划分阳性率相近。

RxDDI-ConsisGAT架构：图分支使用关系感知的GATv2层编码异质药物-蛋白-通路图，对每种关系类型，注意力权重将邻域证据聚合为药物嵌入，并允许不同关系邻域贡献不同；应用层归一化与dropout稳定图嵌入。表格分支通过含归一化、非线性激活与dropout的稠密通路编码标准化药物对证据向量。两种药物的图衍生嵌入与药物对表格嵌入被拼接，经融合预测器估计二分类DDI标签概率。

一致性正则化目标：训练采用标签平滑二分类与两遍概率一致性惩罚。每个小批次中，同一药物对使用独立dropout掩码两次通过模型，若药物对(i, j)的两次预测概率分别为p?_ij⁽¹⁾与p?_ij⁽²⁾，损失定义为L = (1/2)[L_BCE(p?_ij⁽¹⁾, y_ij) + L_BCE(p?_ij⁽²⁾, y_ij)] + λ|p?_ij⁽¹⁾ ? p?_ij⁽²⁾|。该一致性形式受R-Drop启发，但在二分类设置中直接对预测标量概率施加一致性。主模型一致性系数λ = 0.10。选择L1不一致惩罚因其在概率尺度上对称且有界，并对预测差异保持线性惩罚；MSE惩罚会二次削弱小差异，而概率级KL散度在概率趋近0或1时引入对数比敏感性且需显式对称化。模型参数使用AdamW优化，基于PyTorch与PyTorch Geometric实现。

评价与诊断：主要指标为AUROC与AUPRC。AUROC衡量正负药物对间的阈值无关排序，AUPRC在正相互作用少于非相互作用时尤其有信息量。阈值0.5处的精确率、召回率与F1作为描述性操作点指标而非部署阈值报告。概率校准用10个等宽概率箱的期望校准误差（Expected Calibration Error，ECE）量化，并辅以可靠性图。附加诊断包括ROC与精确率-召回率曲线、混淆矩阵、预测分数分布、t-SNE表征分析、训练稳定性图、证据特征排序与共享靶点机制性子图。

研究结果

冷启动排序性能：在严格药物不相交方案下，RxDDI-ConsisGAT在留出测试集上达到AUROC = 0.8352与AUPRC = 0.6910，表明当所有测试药物均未出现在训练中时，融合模型仍保留有用排序能力。AUPRC结果重要，因其反映类别不平衡筛查场景下高分药物对中真实相互作用的富集。验证轨迹显示最佳检查点出现在训练早期，第4轮验证AUROC = 0.8534、验证AUPRC = 0.7238，后续轮次未改善选择指标，支持早停选择。

在固定阈值0.5处，模型精确率 = 0.8370、召回率 = 0.3896、F1 = 0.5317。该操作点偏保守：模型预测存在相互作用时精确率高，但该阈值下许多真阳性未被召回。对于药物警戒用途，该行为可能适用于高置信分诊队列，但不适用于未经阈值调整的召回敏感筛查。因此AUROC/AUPRC应解释为排序证据，临床或监管使用需任务特定阈值校准。合并表还显示冷启动划分在各分区保持可比的正标签流行率，这很重要，因为若测试集因类别流行率差异而更易，模型可能显得泛化良好。此处训练、验证与测试阳性率彼此接近，而药物重叠保持为零，故观察到的性能反映向未见药物身份的迁移而非已观察药物节点的复用。验证AUROC与测试AUROC的差距也与更严格的未见药物任务而非随机药物对划分一致。

消融与基线比较：同方案消融显示两条证据流均必要。移除图分支、仅用药物对表格证据使测试AUROC降至0.7734、AUPRC降至0.5779；移除表格分支、仅用图编码器使AUROC降至0.7163、AUPRC降至0.5168；以HeteroSAGE融合变体替换GATv2图分支也降低性能（AUROC = 0.7318；AUPRC = 0.5575）。这些比较表明机制性图背景与药物对证据汇总互补而非可互换。

无一致性变体达到AUROC = 0.8255与AUPRC = 0.6928。因此一致性正则化改善了AUROC级排序判别，但并未一致改善每个指标。具体而言，无一致性变体在固定0.5阈值处召回率与F1更高，而一致性正则化模型精确率更高且AUROC最佳。经典与结构基线也具竞争力：逻辑回归AUROC = 0.7597，HistGradientBoosting AUROC = 0.7803，Morgan指纹+MLP基线AUROC = 0.7856、AUPRC = 0.6018；专门的冷启动SimVec适配基线AUROC = 0.8147、AUPRC = 0.6548。尽管如此，RxDDI-ConsisGAT取得最高测试AUROC 0.8352。这些发现表明分子结构与冷启动感知相似性建模提供大量预测信息，而将异质机制背景与药物对证据结合提供额外排序收益。敏感性分析显示适度一致性正则化改善测试AUROC，在λ = 0.10处达峰（0.8352），更大值降低性能，表明适度而非过度正则化可改善排序稳定性。

诊断解释：性能诊断显示相互作用与非相互作用药物对的预测分数间存在可见分离，但仍有重叠。可靠性分析显示预测概率与观察相互作用频率总体接近，若干中间与高概率箱存在适度偏差。10箱ECE = 0.0473，表明存在有限但不可忽略的概率误校准。该结果应与判别力分开解释：一致性正则化主要改善AUROC级排序稳定性，并未确立默认0.5截断点在临床上最优。因此操作阈值应根据预期药物警戒工作流的敏感度-特异度需求，在独立目标人群上校准。

表征与可解释性诊断提示模型学到结构化证据而非依赖单一平凡信号。t-SNE投影显示正相互作用富集区域，稳定性图提示相对于标准GNN趋势更平滑的冷启动行为。顶级证据特征包括机制性与药物警戒衍生信号，支持多源证据融合的理由。共享靶点子图基序说明预测药物对如何追溯至有生物学意义的药物-靶点邻域。补充材料中命名的naproxen–captopril证据轨迹说明高排序药物对如何通过可解释的靶点与转运体证据进行检查。这些诊断支持模型可审计性与专家分诊，但不确立患者特异性临床因果性。

工作药理学示例：为说明排序的实际用途，研究人员检查了naproxen–captopril药物对，其在专家审查输出中获得高优先级分数（p? = 0.960）。证据轨迹将naproxen与PTGS1/PTGS2药理学、captopril与ACE联系起来，并附有其他靶点与转运体背景。该示例在药理学上可解释，因为NSAIDs可减弱ACE抑制剂的降压效果并可能加重肾功能，尤其在老年、容量不足或肾功能受损患者中。实践中，模型分数会将此药物对置于专家审查队列，随后由药理学家评估机制、剂量、暴露时间、肾功能与替代解释。因此该分数是优先级排序信号而非自主处方建议。

讨论与结论

讨论部分支持三项主要发现。第一，严格药物不相交评价改变DDI预测性能的解释：该任务比药物对级随机划分更难，因为测试药物不在训练图中，但更接近新兴药物与低证据安全性筛查。第二，当机制性图背景与药物对表格证据融合时获得最佳AUROC级冷启动性能，仅图与仅表格消融均表现较差，表明各视图贡献不同信息。第三，概率级一致性训练改善排序判别，同时产生更保守的固定阈值行为；该区分重要，因为即使默认阈值未针对特定操作目标优化，模型仍可用于候选药物对排序。

RxDDI-ConsisGAT的药理学相关性在于其显式整合靶点、通路、蛋白相互作用、副作用证据、转录组扰动与自发报告信号汇总，这不同于仅依赖化学相似性、仅依赖已知DDI图拓扑或仅依赖提示推理的方法。近期DDI文献日益强调多源融合、异质图推理、对比或一致性目标及更现实的评价机制，本工作通过聚焦证据丰富的冷启动设置并将预测分数与可解释证据轨迹配对而契合该方向。

结果也阐明一致性目标的作用：敏感性分析的测试集排序判别表明适度正则化参数（如λ = 0.10）产生最高AUROC值，更大值逐渐降低性能。因此一致性项应理解为稳定性要求，而非获得一致更优阈值依赖参数的手段。无一致性模型在固定0.5阈值处确有更高召回率与F1，而一致性正则化模型具有更高AUROC级判别。校准分析得到ECE = 0.0473，表明存在小幅但显著的残余概率误校准；因此0.5仅保留为描述性操作点，外部概率校准与决策阈值选择需在操作使用前确定。

模型应视为面向专家的优先级排序工具而非自主临床决策系统。实践中，高模型分数应触发药师、临床医师、毒理学家或药物警戒人员审查证据路径、机制、剂量背景、患者特征与替代解释。阈值0.5处的保守行为在目标是识别较小高置信队列时可能有用，但更广泛的安全性筛查工作流可能需要更低阈值、校准概率或基于排序的审查截断。外部验证还应检验模型是否在治疗领域、药物类别与报告环境间保持效用。

解释这些发现时需注意若干考量。RxPairEvid源自公共生物医学、药理学与药物警戒资源，其覆盖反映这些来源的可得性与报告模式。FAERS衍生不一致性特征对信号优先级排序有用，但应解释为关联性证据而非临床因果性证明。部分近期引入药物可能上下文信息有限，包括剂量、暴露时间、合并症、给药途径与合并用药模式。

当前实现按设计为药物对级，而非本质上限于两药药理学：标签、药物对证据向量与融合头针对无序药物对(d_i, d_j)定义。高阶扩展可用置换不变集合编码器或异质超图中的超边表示用药集合，同时聚合集合中所有药物的靶点、酶、转运体、通路与临床背景。重要挑战包括候选组合的组合增长、三种及以上药物验证标签的稀缺、同期暴露不确定、混杂与可解释性降低。因此药物对概率不应简单相乘或平均以推断高阶风险，因为可能发生非加性相互作用。

当前评价聚焦预定义药物不相交设置下的二分类相互作用优先级排序。未来工作应跨多个药物不相交与骨架不相交划分扩展验证，纳入期望校准误差与Brier分数等校准指标，并评估外部药物警戒或临床关联数据集。进一步发展应在临床决策支持整合前考察机制、严重程度、时间发生与患者特异性风险因素。未来工作可利用多模态预训练与先进图表征改善证据融合与对未见药物的泛化。药物警戒特征的另一限制与时间解释有关：用于模型拟合的药物不相交方案不允许复用药物身份或标签，但FAERS衍生的ROR/PRR值来自固定回顾性报告快照，因为标签未与标签日期对齐。因此报告结果应视为回顾性冷启动评价，前瞻性验证需通过自发报告信号的时间切片重算来确认。研究中药物对由同报告共同报告而非治疗期与事件发生的确认时间重叠定义，故强ROR/PRR特征表明不成比例的共同报告，而非两药确曾同时给药或其相互作用导致事件的证明。该限制在DDI信号检测中已被广泛认识。使用治疗日期、事件发生与适当敏感性分析的时间感知验证是重要下一步。

结论：RxDDI-ConsisGAT表明，一致性正则化图-表格证据融合可在药物不相交评价下提供有用的冷启动DDI排序。同方案分子与冷启动基线确认了异质证据融合的附加价值，而λ敏感性与ECE分析显示排序稳定性与概率校准必须分开解释。最强用例仍为面向专家的优先级排序，临床部署前需外部阈值校准、时间切片药物警戒评价、多划分不确定性估计与前瞻性验证。