换一批基于多层语义与拓扑融合的异质图方法提升药物-靶标相互作用预测性能
A heterogeneous graph method integrating multi-layer semantics and topological information for improving drug-target interaction prediction
摘要目的 为解决药物-靶标相互作用预测中存在的高阶语义依赖建模不足、语义路径融合缺乏自适应性及节点特征过平滑等问题,提出一种基于多层语义与拓扑融合的异质图预测方法.方法 构建包含药物、蛋白质、副作用、疾病等多类实体的异质图网络,利用图嵌入技术获取低维特征表示.通过自适应元路径搜索模块,自动挖掘语义路径组合,引导高阶语义信息的传播;构建融合多头注意力的语义聚合机制,根据上下文信息自动学习各语义路径的重要性,实现路径间信息的差异化聚合与动态融合;引入结构感知的门控图卷积模块,调控特征传播强度,有效抑制冗余信息,缓解过平滑问题.最终通过内积操作预测药物与靶标之间的相互作用关系.结果 本文所提方法在公开数据集上,接收机工作特征曲线下面积(AUC)和精确召回率曲线下面积(AUPRC)分别比现有药物靶标互作用预测方法的平均性能提高了3.4%和2.4%、3.0%和3.8%.结论 本文设计的药物-靶标相互作用预测方法可有效提取异质生物网络中复杂的高阶语义和拓扑信息,提升药物-靶标相互作用预测的准确性和稳定性,可为药物靶标的精准发现和复杂疾病的精准治疗提供技术支撑和理论依据.
更多相关知识
关键词
药物-靶标相互作用异质网络门控机制多头注意力机制图卷积网络drug-target interactionheterogeneous networksgated mechanismmulti-head attention mechanismgraph convolutional networks
栏目名称
DOI
10.12122/j.issn.1673-4254.2025.11.12
发布时间
2025-12-05（万方平台首次上网日期，不代表论文的发表时间）
- 浏览1
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
