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

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

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

为了帮助医生识别有效的药物联合治疗方案，我们构建了一个专家注释的数据集，用于从科学文献中提取药物联合治疗方案的疗效信息。除了实际应用之外，该数据集还提出了一个独特的 NLP 挑战，作为第一个由可变长度关系组成的关系提取数据集，这种数据集中的关系主要需要超越句子级别的语言理解，增加了此任务的挑战性。我们提供了一个有前途的基线模型，并确定了进一步改进的明显领域。我们公开发布我们的数据集、代码和基线模型，以促进 NLP 社区参与该任务。

May, 2022

该研究旨在鉴别多药联合应用不良药物事件的关键特征，并构建和评估预测多药联合应用不良事件的模型，结果显示针对心血管疾病的特定模型在药物相互作用预测中表现显著提高，证明了领域特定模型提高药物相互作用预测准确性的强大潜力。

Aug, 2023

本文发展了一种基于图神经网络和分子图编码的多类多标签预测模型，旨在通过提高分类效果，提前预测药物副作用，从而减少药物住院和提高新药研发效率。

Nov, 2022

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

本研究提出了一种深度学习方法，利用单词级和句子级表示同时提取治疗和问题之间的关系，以用于医疗决策支持系统、安全监测和新治疗发现。通过深度学习和基于规则的模型的联合结果获得了最终的关联关系。该系统在 I2b2 2010 关系提取任务的关系类别上取得了有前途的表现。

Jun, 2018

近几十年来，传统药物研发面临高成本、长周期和高风险等挑战，为了解决这些问题，许多计算方法被提出用于预测药物与疾病之间的关系，从而降低新药研发的成本、周期和风险。本综述聚焦于预测药物重新定位中的药物 - 疾病关联方法的最新进展，将这些方法分为神经网络算法、基于矩阵的算法、推荐算法、基于链接推理的算法以及文本挖掘和语义推理等几个组别。随后比较了现有药物 - 疾病关联预测算法的预测性能，并深入探讨了关于药物 - 疾病关联的现有挑战和未来前景。

Sep, 2023

该论文探讨了如何利用异构领域信息来提高文献中关系抽取的性能，并针对药物间关系进行了实例研究，实现了神经关系抽取模型和知识图谱相结合的方法。

Dec, 2022