本研究提出了一种新的机器学习方法，称为 MIRACLE，采用多视角图形对比表示学习的方法，结合 GCNs 和关注力机制传递网络，实现药物分子结构及其相互作用信息的预测，其中的无监督对比学习方法能够兼顾数据的多视角信息，实验结果表明， MIRACLE 比现有预测模型表现更优。

Oct, 2020

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

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

提出了一种新的分层图表示学习模型 HGRL-DTA 用于药物靶标亲和力预测，利用全局亲和力网络和局部分子图所学的分层表示，并采用相似性嵌入映射来解决未见药物和靶标的表示问题。实验结果表明，HGRL-DTA 在多种场景下显著优于现有的基准模型，并显示出更好的模型泛化性能。

Mar, 2022

提出了一种名为 Bi-GNN 的方法，用于建模生物学链接预测任务，如药物相互作用（DDI）和蛋白质相互作用（PPI），该方法不仅利用了药物分子本身的图形表示，还包括相互作用图。

Jun, 2020

设计了一种基于关系感知子图嵌入的跨视图协同对比学习方法 (RaSECo)，通过构建多种属性的药物相似性图，实现了药物的有效嵌入，实验表明该方法在药物相互作用预测等任务上具有优越的表现。

Jul, 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