AI医药论文笔记--SSI–DDI: substructure–substructure interactions for drug–drug interaction prediction

SSI-DDI:用于药物相互作用预测的亚结构-亚结构相互作用

论文题目	SSI–DDI: substructure–substructure interactions for drug–drug interaction prediction
论文出自	Briefings in Bioinformatics,00(0), 2021, 1–10

         |

一、研究问题设置？

二、模型描述？

• 前置内容-GAT

  为了得到GAT的第l + 1层的节点特征：

• 模型架构
  
  

  • 3层GNN提取子结构的例子：
    

    在原始图中，每个节点对应一个原子，用不同的颜色表示。 在每个 GNN 层，一个节点（被黑色的环包围）通过在该层的感受野范围内聚合其周围的所有节点来更新。 这些周围的节点显示为正在更新的节点的颜色。 在 GNN 层中的节点更新之后，“每个节点”因此可以代表“一个子结构”，子结构信息由其周围的节点组成，节点本身是“子结构中心”；

    即在这个过程中获得了多尺度下的各个子结构信息，
    就表示药物Gx在尺度l下的综合子结构信息；

  

  三、算法描述？

提供一对药物分子图Gx和Gy及其相互作用r作为输入。

• 原子特征被堆叠为形成特征矩阵的行向量Hx和Hy分别用于初始化Gx和Gy图形表示中的节点(第5行)。
• 在每个GAT层(第9-10行)，特征矩阵被更新(第11-12行)，子结构被提取(第13 - 14行)。
• 在第18行中计算成对交互的相关性。
• 第22行确定了DDI概率。

四、实验结果？

数据集使用从DrugBank中收集的数据，其中包含1704个药物，分类了86种反应的共计191400个DDI样本。实验结果如下所示：

五、思考？

优点：使用一种**注意机制(共同注意)**来学习每个子结构相互作用与最终DDI预测的相关性。该相关性指标也可用于预测结果的解释。

局限性：实验中在训练阶段，当DDIs的药物顺序改变时，表现会受到影响。