该论文介绍了一种名为 medicX 的端到端框架，它将来自公共药物库的多种药物特征集成到一个知识图谱中，并使用各种翻译、分解和神经网络方法嵌入图谱中的节点，最终使用机器学习算法来预测未知的药物相互作用。

Aug, 2023

本文提出了一种新的基于多数据源知识图谱嵌入的机器学习方法，用于预测药物相互作用的风险，融合了 DrugBank、PharmGKB 和 KEGG drug 三个数据库中的 12,000 个药物属性信息进行训练，并采用 ComplEx 嵌入方法、Convolutional-LSTM 神经网络和机器学习模型来实现，通过三个最佳分类器的模型平均集成方法，在 5 折交叉验证测试中得到的平均精度、F1-score 和 MCC 值分别为 0.94、0.92、0.80。

Aug, 2019

本文提出了一种基于层次化多关系图表示学习的方法来预测药物间的相互作用，通过构建异构图和使用关系图卷积网络以及多视角可区分的谱聚类模块来捕捉药物间的显式和隐式关联，并且利用高级药物对预测药物间相互作用进行性能优越的预测。

Feb, 2024

提出了 EmerGNN，一种利用生物医学网络中丰富信息能够有效预测新兴药物相互作用的图神经网络。EmerGNN 通过提取药物对之间的路径、在药物之间传播信息，并结合路径上的相关生物医学概念来学习药物的成对表示。权重不同的生物医学网络边指示了目标药物相互作用预测的相关性。总体而言，EmerGNN 在预测新兴药物相互作用方面具有比现有方法更高的准确性，并能识别出生物医学网络上最相关的信息。

Nov, 2023

本文提出了一种基于图的神经网络 GDNN，通过节点特征和 DDI 类型的已知信息来预测未知的 DDI 类型，其中 GDNN 使用改进后的消息传递框架，采用 MLP 处理来生成最终的预测药物相互作用类型。

Aug, 2022

本文提出了一种新的图形规范的概率矩阵分解（GRPMF）方法，它通过一种新颖的基于图形的正则化策略将专家知识纳入到 MF 框架中，提出了一种高效且有声优化算法来解决交替方式产生的非凸问题，通过药物银行数据集进行了评估，并与最先进技术进行了比较。结果表明，与其竞争对手相比，GRPMF 表现出优异的性能。

Oct, 2022

提出了 DGMed，一种应用因果推断解决药物推荐系统中异质性问题的框架，通过分析历史记录中药物对特定疾病的量化治疗效果，揭示医学实体之间的潜在联系，利用分子层次的知识进行特征对齐，最终根据患者的当前健康状况自适应调整药物推荐概率并推荐药物组合，实验证明该方法在准确性、安全性和时间效率方面优于现有的基线模型。

Mar, 2024

设计了一个基于患者和药物特征的全面药物推荐系统，将数据从多个数据库中整合为一个患者和药物信息的数据集，其中使用了人工智能模型、自然语言处理方法和推荐系统算法进行数据建模，通过药物相互作用、患者条件和药物特征生成了基于矩阵分解的模型，构建了基于规则的知识库系统。

Dec, 2022

本研究提出了一个名为 SafeDrug 的 DDI 可控的药物推荐模型，利用药物分子结构明确建模 DDI，相对于之前的方法，SafeDrug 在 DDI 降低了 19.43％，在推荐和实际处方的药物组合之间的 Jaccard 相似度上也提高了 2.88％，并且所需的参数也少得多，导致训练速度比之前的深度学习方法快约 14％， 推理的速度提高了约 2 倍。

May, 2021

本文介绍了一种基于 SMILES 字符串的 Hypergraph 神经网络模型，用于药物 DDI 预测问题。通过从 SMILES 字符串中提取化学亚结构来创建一个超图，利用注意力机制的超图边编码器来捕捉药物相似性，并使用解码器预测药物对之间的相互作用，实验结果表明，该模型可以有效预测 DDIs，并优于基线方法，最大 ROC-AUC 和 PR-AUC 分别达到 97.9％和 98.1％。

Jun, 2022