作者
王天朔
编辑
龙文韬
校对
李仲深
今天给大家介绍的是西北工业大学发表在BriefingsinBioinformatics上的文章“SSI–DDI:substructure–substructureinteractionsfordrug–druginteractionprediction”。不同药物共同使用的一个问题是，它们的作用机制之间存在干扰，即不良药物-药物相互作用(drug-druginteraction,DDI)，这可能对机体造成严重伤害。虽然已经提出了几种计算方法来识别潜在的DDI，但仍有改进的空间。现有的方法并没有DDI是由化学子结构相互作用而不是整个药物的化学结构所引起的认识。此外，现有的方法大多依赖于手工设计的分子表示。作者提出了一种深度学习框架——SSI-DDI，该框架直接操作于药物的原始分子图表示；最重要的是，它将两种药物之间的DDI预测任务分解为识别它们各自子结构之间的成对相互作用。
一、研究背景
同时使用两种或两种以上药物的做法在处理同时患有多个疾病或当需要多种药物的协同作用治疗疾病时很常见。但是同时服用几种药物可能会导致危及病人生命的副作用。这些副作用是由化学-物理相互作用导致，通常被称为药物-药物相互作用(DDI)。在临床试验中对DDI筛选受到人力限制，无法处理快速增长的生物医学数据，这使得市场上的许多药物相互之间存在未知的不良反应。机器学习和深度学习方法已被证明是改善这一问题的关键。作者提出了一个深度学习框架SSI-DDI，将子结构视为独立的实体，子结构间的相互作用将决定相应的药物是否会导致潜在的DDI。
二、模型与方法
图1.SSI-DDI框架图
使用l层GAT提取药物的特征。每经过一层GAT，都会获得药物不同子结构的信息。在每一层GAT，使用下面的READOUT函数聚合药物所有子结构的信息得到药物分子图的图级表示。
其中β考虑了不同子结构的重要性，由下式算出
图2.三层gnn中子结构提取的例子
在获得了两种药物的子结构信息后，使用co-attention来计算两种药物各子结构相互作用的重要程度。
用下式计算药物Gx和Gy发生相互作用r的可能性
其loss为
SSI-DDI的整体算法如下所示
三、实验结果
数据集使用从DrugBank中收集的数据，其中包含个药物，86种个DDI。实验结果如下所示。
表1.不同方法在DrugBank数据集上的效果比较
为了评估该方法在遇到没有经过训练过的新药(也称为冷启动问题)时的性能，根据药物而不是DDI分割数据集。用Gnew代表训练时没有见过的新药，Gold代表训练时见过的老药，Gnew∪Gold=G，Gnew∩Gold=?，数据集划分情况如下
其实验结果如下表所示
表2.不同方法在inductive设置下的效果比较
四、总结
作者提出了SSI-DDI，一种预测药物之间不良DDI的深度学习框架。该方法首次将药物间相互作用预测的任务转化为子结构间相互作用预测的任务。实验结果表明，该方法有着目前最好的性能。并在transductive和inductive(冷启动场景)设置方面都取得了良好的效果。
代码