AI医药论文笔记--Deep learning improves prediction of drug–drug and drug–food interactions

深度学习用于提高对药物-药物相互作用和药物-食物相互作用的预测

论文题目	Deep learning improves prediction of drug–drug and drug–food interactions
论文出自	PNAS,2018

一、研究背景？

之前方法：基于结构和其他相似性或药物靶标关联的方法开发了各种计算方法。

局限性：可以预测成对给定药物之间相互作用的概率，但没有在药理作用方面对 DDI 提供具体描述。

DeepDDI模型

输入：药物-药物或药物-食品成分对的名称及其结构信息

输出：生成 关于86 种重要的 DDI 类型的可读句子

DeepDDI 可以在服用某些药物时提供有关药物处方甚至饮食建议的重要信息，以及药物开发过程中的指南。

二、模型设计？

DeepDDI由两部分组成：

a. 结构相似谱(Structural similarity profile)SSP;（SSP就是通过计算药物和药物化学结构的相似性后得到的一个向量表征）

b.深度神经网络DNN（DNN是一个多标签的模型，有8个隐藏层的简单神经网络）

输入–》a. SMILES格式的化学结构; b. 一对药物的名字。

输出–》预测的86个DDI types概率。（如果某一类的概率大于阈值0.47，就认为出现这个DDI ）

DeepDDI的训练数据是来自DrugBank中覆盖了191878 药物对的标准DDI数据集。

三、特征表征？

SSP

模型的输入是两个药物化学结构的smile，两个药物中的每个药物会和DrugBank中的2159个每个药物计算相似性，组成2159维的向量。

一个药物和一个药物计算Structural similarity方法如上图的黑色框。

通用的做法: 分子片段用比特向量(比特位)表示，即0和1值，然后用Jaccard系数计算相似性。

分子指纹上的每个比特位对应于一种分子片段，假设相似的分子之间必然有许多公共的片段，那么具有相似指纹的分子具有很大的概率在结构上也是相似的。

四、SSP到DNN的特征转化？

得到SSP，它是对药物表示的2159维特征向量。把两个输入药物的特征向量，都用PCA降到50维的向量，然后将两个药物的特征表示concat一起，得到100维的Feature vector作为DNN的输入。

五、实验结果？

同随机森林和K近邻算法进行比较，发现深度神经网络比其它两个模型更好

思考：考虑到药物和代谢物的浓度以及两个给定分子对其靶点的体内亲和力对DDIs和DFIs的影响，未来还需开发算法。