基于关系感知的多模态知识图谱学习在药物相互作用预测中的应用

《Scientific Reports》：Relation-aware multimodal knowledge graph learning for drug–drug interaction prediction

　　

摘要

药物之间的相互作用（DDIs）可能会影响治疗效果并导致不良反应，因此准确预测DDIs对于药物安全性评估至关重要。现有的计算方法通常依赖于有限的药物特征，或者未能充分捕捉药物周围的异质性生物医学关系。我们提出了RA-DDI，这是一个基于关系意识的知识图谱框架，用于DDI的预测。RA-DDI从DrugBank构建了一个以药物为中心的知识图谱（KG），并通过整合分子结构、文本描述和从图谱中派生的关系特征来初始化药物表示。这些多模态表示随后通过关系意识的图谱学习进行优化，以捕捉药物及相关生物医学实体之间的多跳依赖关系。预测模块将学习到的药物嵌入与成对互动特征结合，用于分类DDI类型。我们在三个公共基准数据集DrugBank、DDInter和PDD-Graph上评估了RA-DDI的性能。该框架在多个关键分类和排名指标上均取得了有竞争力的结果，并显示出相比现有基线的持续改进。这些发现表明，将多模态药物表示学习与关系意识的知识图谱建模相结合，对于DDI预测非常有效。