ZeroDDI: 语义增强学习和双模态统一对齐的零射预测药物相互作用事件方法

Jul, 2024

ZeroDDI: 语义增强学习和双模态统一对齐的零射预测药物相互作用事件方法

ZeroDDI: A Zero-Shot Drug-Drug Interaction Event Prediction Method with Semantic Enhanced Learning and Dual-Modal Uniform Alignment

HTML

PDF

Ziyan Wang, Zhankun Xiong, Feng Huang, Xuan Liu, Wen Zhang

TL;DRZeroDDI是一种用于零样本预测药物-药物相互作用（DDI）事件的新方法，它通过设计生物语义增强的DDIE表示学习模块和双模态统一对齐策略，解决了适应DDIE的合适表示学习和应对类别不平衡的挑战，实验结果表明其在检测未知DDIE方面具有很大的潜力。

Abstract

drug-drug interactions (DDIs) can result in various pharmacological changes, which can be categorized into different classes known as DDI events (DDIEs). In recent years, previously unobserved/unseen DDIEs have been emerging, posing a new classification task when unseen classes have no

发现论文，激发创造

基于化学亚结构表示的药物相互作用预测系统CASTER

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

异质图注意力网络下的药物相互作用预测

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

分子次结构感知网络用于药物相互作用预测

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

药物相互作用预测中深度学习与图学习的综合评估

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

关系感知的子图嵌入与共同对比学习用于药物相互作用预测

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

准确且可解释的药物相互作用预测：基于知识子图学习的方法

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

DDIPrompt: 基于图引导学习的药物药物相互作用事件预测

本研究介绍了 DDIPrompt，一种基于图提示的创新方法，通过利用预训练模型中的内在知识来解决药物相互作用预测中的类别不平衡和标注数据稀缺的问题，显著改善了罕见药物相互作用的准确性。

Feb, 2024

学习描述以预测零激活药物相互作用

该研究论文介绍了一种新的零样本药物相互作用预测方法，利用来自DrugBank和PubChem等在线数据库的文本信息，提出了一种基于语言模型的药物相互作用预测器和一种基于强化学习的信息选择器，用于准确预测新药的药物相互作用，并证明了该方法在零样本和少样本药物相互作用预测方面的好处。

Mar, 2024

RGDA-DDI：基于残差图注意力网络和双重注意力的药物-药物相互作用预测框架

本研究针对现有药物-药物相互作用（DDI）预测方法存在的不足，提出了RGDA-DDI框架，通过残差图注意力网络和双重注意力模块来有效学习药物和药物对的多尺度特征表示。研究结果显示，RGDA-DDI在两组公开基准数据集上的预测性能显著提升，为药物开发提供了新的见解。

Aug, 2024

ExDDI：利用自然语言解释药物-药物相互作用预测

本研究针对药物-药物相互作用（DDI）预测中的解释性不足问题，提出了一种生成自然语言解释的创新方法。这种方法不仅可以提高对DDI预测的信任度，还揭示了基础的药效学和药代动力学机制。研究表明，所开发的模型能够为已知药物之间的未知DDI提供准确的解释，对DDI预测领域的工具开发具有重要贡献。

Sep, 2024