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

本研究提出了一种基于 CASTER 框架的药物化学结构表示法，通过使用序列模式挖掘模块，自编码模块和字典学习模块来预测药物之间的相互作用；在两个真实的 DDI 数据集上评估 CASTER，并表明其表现优于现有技术，并提供可解释的预测结果。

Nov, 2019

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

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

通过结合患者病历和生物医学知识，我们提出了 BiMoRec，它利用了三维分子结构和原子属性来克服现有方法中对二维分子结构的局限性，实现了二维和三维分子图的融合，并通过与患者就诊信息的交互来提取子结构，从而生成最终的药物组合。通过在 MIMIC-III 和 MIMIC-IV 数据集上的实验，我们证明了我们的方法在性能上达到了最先进水平，相较于其他基准方法，我们的模型在保持相同的 DDI 水平下，提高了 1.8% 的准确性。

May, 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

通过知识图谱中的生物医学领域信息，使用深度学习技术和图神经网络，基于药物的图表示，预测和解释药物之间的潜在相互作用，以弥补已知药物之间相互作用稀缺性的不足，在药物交互作用预测中取得了领先的性能，促进了生物医学和医疗保健的发展。

Nov, 2023

本文提出一种基于异质性图卷积神经网络的药物相互作用预测模型 HAN-DDI，该模型能够准确地预测新药物的药物相互作用，较已有模型有较好的表现。

Jul, 2022