《BMC Bioinformatics》：Mol2Image: an enhanced DDI prediction framework leveraging drug molecular descriptors
编辑推荐：
药物-药物相互作用（DDIs）是临床实践中的一个关键安全问题，因为其可能导致严重且往往不可预测的不良反应。在多药治疗中，这一风险显著升高，而多药治疗正越来越多地用于癌症、心血管疾病和糖尿病等复杂慢性疾病的治疗。然而，通过体内研究识别DDIs成本高昂且耗时。在本
药物-药物相互作用（DDIs）是临床实践中的一个关键安全问题，因为其可能导致严重且往往不可预测的不良反应。在多药治疗中，这一风险显著升高，而多药治疗正越来越多地用于癌症、心血管疾病和糖尿病等复杂慢性疾病的治疗。然而，通过体内研究识别DDIs成本高昂且耗时。在本研究中，研究人员提出了一种新型DDI预测模型Mol2Image，该模型利用源自简化分子线性输入规范（SMILES）表示的化学结构特征，包括分子性质描述符和结构指纹。所提出的模型将化学结构信息与自动特征学习相结合。从SMILES表示中提取的分子描述符和结构指纹被转换为视觉模式，以捕捉每种药物的关键化学特征。然后，这些图像由卷积神经网络（CNN）处理，以学习与药物-药物相互作用相关的高级结构特征。该模型使用两个基准DDI数据集进行训练和评估：Drugbank数据集（包含443,046对相互作用）和ChCh-Miner数据集（包含48,514对DDIs）。实验结果表明，所提出的模型（Mol2Image）与几种最先进方法相比取得了有竞争力的性能。实验结果表明，该模型持续优于现有方法，在使用Drugbank数据集和ChCh-Miner数据集时分别达到了0.9608和0.9683的准确率。最终，Mol2Image提供了一个高度可扩展、严格以结构为中心的框架，在最小计算开销下确保卓越的预测准确性，且完全独立于临床数据运行。
### 论文解读：Mol2Image——一种基于分子描述符与图像化CNN的药物相互作用预测框架
#### 研究背景与问题
多药联合治疗已成为癌症、糖尿病、心血管疾病等复杂慢性病的常见策略，但药物-药物相互作用（DDIs）引发的严重不良反应（ADRs）是临床安全的关键挑战。在美国，ADRs年花费超100亿美元，其中DDIs占30%以上。DDIs可导致疗效改变、毒性增加甚至药物撤市。然而，通过体内外实验识别DDIs成本高昂、耗时且不易检测罕见相互作用。因此，亟需高效的计算方法辅助临床决策。现有计算方法分为文本型、网络型、相似性型和结构型四类。结构型方法仅依赖药物分子结构（如SMILES字符串），无需外部临床数据，具有高效性和可推广性，但序列型特征难以捕捉二维或三维空间结构及拓扑特征。此外，许多基于深度学习的模型（如PTB-DDI、StructNet-DDI）虽取得较好效果，但存在计算成本高、特征冗余或依赖复杂架构（如ResNet18）等问题。为此，研究人员提出Mol2Image框架，旨在通过优化分子描述符集与轻量级CNN，实现高精度、低开销且完全独立于临床数据的DDI预测。
#### 研究内容与结论
研究人员开发了Mol2Image模型，该模型通过从SMILES字符串中提取优化的分子描述符和摩根指纹，将其确定性映射为64×64灰度图像，并利用双分支孪生CNN（Siamese-like CNN）进行相互作用预测。模型在Drugbank（443,046对相互作用）和ChCh-Miner（48,514对DDIs）两个基准数据集上训练与评估。实验结果表明，Mol2Image在准确率、AUC-ROC、精确率和F1分数上均优于PTB-DDI、CASTER、1D CNN等现有方法，具体在Drugbank上达到0.9608准确率、0.9907 AUC-ROC，在ChCh-Miner上达到0.9683准确率、0.9989 AUC-ROC。该研究证实，通过21个精选分子描述符与摩根指纹的视觉化表示，结合轻量级CNN，可在不依赖临床数据的前提下实现高效、准确的DDI预测，为化合物初步筛选提供了可扩展的解决方案。
#### 主要关键技术方法
1. **特征提取**：利用RDKit从SMILES字符串中提取21种分子描述符（涵盖基本分子性质、原子组成、拓扑指数、理化性质等）和2048位摩根指纹（Morgan fingerprints）。
2. **特征-图像映射**：将21种描述符和摩根指纹按固定顺序填充至64×64矩阵（4096像素），其中指纹位占据前2048像素，描述符按类别分组排列，剩余像素零填充；连续值描述符通过灰度值编码，确保空间邻近性代表化学关联。
3. **CNN架构**：采用双分支孪生CNN，每个分支包含三个卷积块（卷积层→批归一化→ReLU→最大池化），通道数从32递增至128，最后通过全连接层输出二分类结果。模型使用Adam优化器，学习率0.001，训练20个epoch。样本队列来源：Drugbank数据集（443,046对，平衡正负样本）和ChCh-Miner数据集（48,514对，含1514种药物）。
#### 研究结果
**Datasets and methods**：采用两个公开基准数据集Drugbank和ChCh-Miner，前者含443,046对（平衡正负），后者含48,514对及1514种药物。
**Proposed approach**：模型分为数据预处理和CNN训练两阶段。预处理中，从SMILES提取32种初始描述符，经消融实验（ablation study）和Grad-CAM可视化分析，最终确定21种最优描述符与摩根指纹组合，以消除冗余和噪声。特征映射为64×64灰度图像，确保无信息损失。
**Experiments and results**：
- 通过比较13、21、32种描述符子集，发现21种描述符在Drugbank和ChCh-Miner上均取得最佳性能（Drugbank：ACC 0.9608，AUC 0.9907；ChCh-Miner：ACC 0.9683，AUC 0.9989）。32种描述符因引入空间噪声导致性能略降，McNemar检验（p < 0.001）证实差异具有统计学显著性。
- Grad-CAM可视化显示，21描述符模型激活区域集中在关键理化性质和摩根指纹子结构，而32描述符模型激活扩散，验证了特征优化有效性。
- 与现有方法对比：在Drugbank上，Mol2Image的ACC、AUC、精确率、F1均高于PTB-DDI（0.86/0.896/0.8221/0.825）、CASTER（0.8676/0.9268/0.829/0.8767）和1D CNN（0.9353/0.9802/0.9353/0.9369）。在ChCh-Miner上，Mol2Image的ACC、F1、精确率（0.9683/0.9699/0.9747）优于StructNet-DDI（0.944/0.967/0.999）、CASTER（0.9073/0.932/0.9993）、PTB-DDI（0.935/0.932/0.945）和1D CNN（0.9492/0.9495/0.9529）。CASTER精确率最高（0.9993）但召回率较低，Mol2Image在平衡精确率和召回率上表现更优。
#### 讨论与结论
**讨论**：Mol2Image的优越性源于其完全依赖化学结构而非临床数据，因此具有高通用性。与仅用1D SMILES的PTB-DDI和CASTER相比，Mol2Image通过优化描述符提取更丰富的理化性质并转化为2D图像，使CNN能捕捉更判别性的空间模式。与StructNet-DDI（仅13个描述符）相比，Mol2Image的21个描述符提供了更精细的结构关系。与1D CNN相比，2D图像表示充分发挥了CNN在空间层次特征学习上的优势。当前研究局限在于未进行冷启动（cold-start）评估（即完全未见药物的预测），未来将采用留一药交叉验证模拟真实场景。此外，可扩展至多类/多标签预测以输出具体相互作用类型，并整合药物靶点、通路、临床记录等多模态数据，以及量子化学性质（如LiTENexus方法）以增强泛化能力。
**结论翻译**：本研究提出了一种新型药物-药物相互作用（DDI）预测模型Mol2Image。该模型不依赖药物临床数据，而是基于药物化学结构。Mol2Image在基准数据集上优于多种现有模型。它整合了更广泛的分子描述符，包括基本分子性质、原子组成与计数、拓扑描述符、结构描述符、理化与电子性质、杂化特征以及结构指纹描述符，从而研究了多种药物描述符类型。所提出的方法在两个基准数据集上进行了评估，显示出持续的高准确率。这些结果凸显了将CNN与基于图像的分子表示相结合的价值。Mol2Image使用了更多种类的分子描述符和卷积神经网络（CNN）架构。利用SMILES表示提取分子描述符，并将其转化为灰度图像。这些图像作为CNN的输入，使模型能够学习复杂的分子特征并预测潜在的药物相互作用。Mol2Image与现有模型比较，在准确率、AUC-ROC、精确率和F1分数上均更优，在Drugbank数据集上分别达到0.9608、0.9907、0.9612和0.9608，在ChCh-Miner数据集上分别达到0.9683、0.9989、0.9747和0.9699。总之，Mol2Image提供了一种完全独立于临床数据的高效、以结构为中心的DDI预测解决方案。通过整合优化的21种描述符集与轻量级孪生CNN，该框架在最小化计算开销和空间噪声的同时不牺牲预测能力。最终，这种可扩展的方法优于现有方法，并成为仅基于分子结构进行化合物初步筛选的理想工具。
