检索历史 清除

摘要随着医疗发展水平的逐渐提高，联合用药方案成为越来越多患者的选择。然而，大量的药物组合导致医药研究和临床试验的费用高昂且效率低下，即使使用高通量方法,药物间协同作用的识别也是一个极为困难的问题。除此之外，联合用药时产生的药物间不良相互作用也威胁着患者的生命。因此，尽可能多地发现潜在的具有协同效应的药物组合，以及识别可能的药物间不良相互作用有着重要的意义。然而，传统的湿实验方法费时费力，如何通过计算方法快速而准确的预测协同药物组合以及识别潜在的药物间不良相互作用成为了研究的热点。<br>　　现有的方法在预测协同药物组合以及识别潜在的药物间不良相互作用方面取得了很大的突破，但仍存在一些不足。首先，现有的大多数方法依赖于手工特征，这限制了这些方法的应用范围。其次，现有的大多数方法侧重于从单个药物中提取信息，而忽略了药物对之间交互信息的重要性。最后，绝大部分方法缺乏可解释性。为了解决以上问题，本文主要进行了两项研究:<br>　　一，针对抗癌协同药物组合预测问题，本文提出了一种使用注意力机制的图神经网络模型AttenSyn。本文使用图神经网络模块从分子图中自动提取药物分子的高维潜特征表示，并使用基于注意力机制的子结构交互学习模块来学习药物对之间更好的交互信息,以增强药物组合的表示。对比实验表明，在预测抗癌协同药物组合方面，本文所提出的AttenSyn算法显著优于现有的预测算法。此外，为了克服深度学习的模型中“黑盒”的局限性，本文提出的模型可以通过注意力分数发现药物组合中的关键子结构，这为本文的模型提供了良好的可解释性，并为理解药物协同机制提供了生物学见解。<br>　　二，针对药物间不良相互作用预测问题，本文提出了一种基于多尺度图神经网络的药物间不良相互作用预测模型MGDDI。为了能够同时提取药物分子的全局与局部信息,并且防止网络层数过深导致的梯度消失和过平滑问题，我们在不同图神经网络层中使用了密集连接，从而构造了一个多尺度图神经网络来对药物分子的特征进行提取。并且,我们也使用基于注意力机制的药物子结构交互学习模块学习药物对间的交互信息，以提升模型的性能。在两个数据集上的测试结果表明，本文所提出的模型MGDDI优于目前最先进的方法。除此之外，即使在归纳设置下，本文的模型也取得了良好的效果，这证明了MGDDI也能够很好地预测有关新药的不良相互作用。最后，我们的算法还具有良好的可解释性，能够发现药物分子中较为重要的化学结构，为人们理解药物间不良相互作用提供生物学见解，并对药物研发人员带来帮助。