AI医药方向论文总结（包含DDI和DDS，重点分析药物联合预测）

（提醒：本文模型图只是放了缩略图让大家了解个大概，建议还是看原论文中的模型图。）

现有的DDI预测方法？

DDI预测方法主要分为两类：基于药物结构特征相似性的方法和基于图的方法。

1 similarity-based：（假设化学结构相似的药物具有相似的DDI）

• **DeepDDI模型

  Deep learning improves prediction of drug–drug and drug–food interactions.

  Proceedings of the National Academy of Sciences，2018

  这是第一个将深度学习应用于药物预测的模型。利用药物的SMILES数据生成药物对的结构相似性剖面（SSP），然后通过PCA降维将其送入深度神经网络（DNN）进行分类。
  

• DeepDDI模型优化1

Novel deep learning model for more accurate prediction of drug-drug interaction effects

BMC Bioinformatics，2019

在DeepDDI的基础上添加了两个新数据，其方法类似于药物SMILES数据生成的SSP：目标基因数据生成TSP（目标相似性档案）和基因本体（GO）生成GSP（基因本体术语相似性档案）。这三个特征向量通过一个改进的编码器进行降维，然后连接成一个单一的药物对特征向量，放入DNN进行训练。改进后的模型数据量大，精度高。

• DeepDDI模型优化2

A multimodal deep learning framework for predictingdrug–drug interaction events

Bioinformatics，2020

在DeepDDI的基础上提出了一个多态性深度学习模型，该模型使用筛选的完整信息进行训练。它可以利用与多种药物相关的信息进行更有效的学习，具有更高的准确性。基于药物特征的方法在已知数据集上具有较高的准确性，但也存在一定的局限性。

• DDI-BLKG模型

Drug-Drug Interaction Prediction on a Biomedical Literature Knowledge Graph

International Conference on Artificial Intelligence in Medicine. Springer, Cham, 2020

从各种数据库中提取与特定疾病相关的三维关系，并用统一医学语言系统（UMLS）表达它们，以构建特定疾病的多知识图（KG）。DDI-BLKG模型根据其路径提取药物特征，对预测DDI有一定帮助。

• 不足：
  • “化学结构相似的药物具有相似的DDI”的假设尚未得到科学验证。因此，在实际的临床验证中，预测结果可能存在较大的偏差。
  • 在挖掘新的DDI方面可能有局限性，即不可扩展。

2 graph-based：

• &&&Modeling Polypharmacy Side Effects with Graph Convolutional Networks

  Bioinformatics 2018

  Decagon 构建了一个异构网络，包括药物和蛋白质实体，并使用图卷积网络（GCN）了解其潜在表现，并预测药物组合中可能出现的不良药物副作用。
  
  

• Drug Similarity Integration Through Attentive Multi-view Graph Auto-Encoders

IJCAI 2018

提出了一种通过注意机制整合基于多视图相似性的特征的方法，其中视图引用由特征构造的相似矩阵，并使用**图形自动编码器（GAE）**学习药物表示。

• Drug-Drug Interaction Prediction Based on Knowledge Graph Embeddings and Convolutional-LSTM Network

BCB '19: Proceedings of the 10th ACM International Conference on Bioinformatics,Computational Biology and Health Informatics. September 2019

Conv-LSTM ** ：卷积神经网络(CNN)-擅长特征提取**，长短期记忆(LSTM)网络擅长从大的特征空间中进行时序建模和有序序列学习。

• Drug-drug adverse effect prediction with graph co-attention.
  arXiv 2019

采用共同注意机制计算一对药物中所有原子之间的注意系数，共同学习药物信息。

• Drug-drug Interaction Prediction with Graph Representation Learning.
  BIBM 2019

通过GCN学习成对药物表征，并使用基于相似性的框架进行预测。

• Kgnn: Knowledge graph neural network for drug-drug interaction prediction.
  IJCAI，2020

将多个数据集合并成一个庞大的知识图。通过KGNN层两次聚合生成药物的特征向量，该模型显著提高了性能。

• Bi-Level Graph Neural Networks for Drug-Drug Interaction Prediction.
  arxiv 2020

提出了一个双层图注意网络来编码药物并进行DDI预测，这与 MIRACLE方法类似。然而，它忽视了不同层次信息的平衡。

• RANEDDI: Relation-aware network embedding for drug-drug interaction prediction
  Information Science，2021

可用于单类型DDI预测和多关系DDI的预测

大致可以分为两类：单类型DDI预测和多关系DDI预测。

3 其他方法：

• +文本处理

  Enhancing Drug-Drug Interaction Extraction from Texts by Molecular Structure Information

  ACL ，15 May 2018
  

一些关于DDS的论文？

• DeepSynergy: predicting anti-cancer drug synergy with Deep Learning

  Bioinformatics, 34(9), 2018

  DeepSynergy 使用化学和基因组信息作为输入信息，使用归一化策略来解释输入数据的异质性，并使用锥形层来模拟药物协同作用。

  

• comboFM: leveraging multi-way interactions for systematic prediction of drug combination effects

  Nature Communication,2020

  

• CGINet: graph convolutional network‐based model for identifying chemical‐gene interaction in an integrated multi‐relational graph

  BMC Bioinformatics，2020

  

• Deep graph embedding for prioritizing synergistic anticancer drug combinations

  Computational and Structural Biotechnology Journal ，2020

  图卷积编码器+矩阵双线性解码器

  整合药物组合、药物-蛋白质相互作用和蛋白质-蛋白质相互作用网络构建的。

  

• SynPred: Prediction of Drug Combination Effffects in Cancer using Full Agreement Synergy Metrics and Deep Learning

  2021

  

• DeepDDS: deep graph neural network with attention mechanism to predict synergistic drug combinations

  Briefings in Bioinformatics，25 September 2021

  基于图神经网络和注意力机制的深度学习模型，以识别有效抑制特定癌细胞活力的药物组合。

  将药物分子结构和基因表达谱特征嵌入作为多层前馈神经网络的输入，以识别协同药物组合（使用Loewe作为评估函数）。

  

• Predicting drug–disease associations through layer attention graph convolutional network

  Briefifings inBioinformatics，2021

  

AI医药方向的综述？

• Machine learning approaches to drug response prediction:challenges and recent progress

• Machine learning approaches for drug combination therapies