本研究提出 Molecular Substructure-Aware Network （MSAN）模型，采用 Transformer 样式的结构提取模块从药物分子的分子结构中获取涉及各种亚结构模式的具有代表性的向量，并通过基于相似性的相互作用模块捕获两个药物亚结构之间的相互作用强度来有效地预测潜在的药物相互作用。经过真实世界数据集的实验，结果表明我们提出的模型实现了最先进的性能，也证实了我们模型的预测结果高度可解释。

Aug, 2022

提出了一种基于图嵌入学习技术的新型框架 ——Safe Medicine Recommendation（SMR），通过构建一个包含电子病历和医学知识图谱的异质图，并将疾病、药物、患者及其相互关系映射到共享的低维空间中，通过链接预测过程来进行药物推荐，并考虑患者的诊断和不良反应。实验证明 SMR 是全球首个学习患者 - 疾病 - 药物图嵌入的医学推荐系统。

Oct, 2017

本文综述了基于化学结构、网络、自然语言处理、混合方法的药物预测模型以及基于图神经网络模型表示分子结构的理论框架或深度和图学习方法的优缺点、潜在技术难点和未来发展方向。

Jun, 2023

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

本研究提出了一种考虑药物之间相互作用，及其与患者病况影响的药物推荐新方法，其中包括在电子病历和领域知识上设计的药物交互图和两个变体的 Drug Package Recommendation (DPR) 框架，该框架采用了图神经网络 (GNN) 进行最终的推荐任务，实验结果表明该方法优于几个竞争基准方法，具有充分表现的药品生成任务的启发性研究支持。

Feb, 2021

本篇论文介绍一种基于深度学习的药物推荐方案：Graph Augmented Memory Networks。该方案将关于药品之间相互影响的知识图谱纳入记忆模块，并使用纵向患者记录作为查询，从而为患者自定义药物组合提供安全且个性化的推荐。在真实的电子健康记录数据中，GAMENet 凭借其优异的效能表现和 3.60% 的 DDI 率降低值，在所有有效性度量方面均优于基线算法。

Sep, 2018

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

本文提出一种新颖的神经方法，利用外部药物分子结构信息从文本中提取药物间相互作用（DDIs）。我们使用卷积神经网络对文本药物对进行编码，并使用图形卷积网络（GCNs）对它们的分子对进行编码，然后连接这两个网络的输出。在实验中，我们表明 GCNs 可以高准确度地预测 DDIs，而分子信息可以使基于文本的 DDI 提取的 F 值提高 2.39％。

May, 2018

该研究提出了一种神经网络架构，利用多药副作用类型和药物分子结构，采用共同注意机制，对药物组合进行机器学习，以便预测药物之间的相互作用和潜在的副作用。

May, 2019