编辑 | 萝卜皮
新兴药物的药物相互作用 (DDI) 为治疗和缓解疾病提供了大概性，操纵计算步骤准确展望这些相互作用可以改善患者护理并有助于高效的药物开发。然而，许多现有的计算步骤需要大量已知的 DDI 信息，这对于新兴药物来说是稀缺的。
清华大学、第四范式（4Paradigm）以及腾讯 Jarvis Lab 的研讨职员提出了 EmerGNN，这是一种图神经收集，可以操纵生物医学收集中的丰富信息来有效展望新兴药物的相互作用。
EmerGNN 通过提炼药物对之间的途径、将信息从一种药物传播到另一种药物以及在途径上结合有关的生物医学观点来进修药物的成对表示。生物医学收集的边缘经过加权以指示目的 DDI 展望的有关性。
总体而言，EmerGNN 在展望新兴药物相互作用方面比现有步骤具有更高的准确性，并且可以识别生物医学收集上最有关的信息。
该研讨以「Emerging drug interaction prediction enabled by a flow-based graph neural network with biomedical network」为题，于 2023 年 12 月 20 日发布在《Nature Computational Science》。
科学进步和监管变化促进了全球众多新兴药物的开发，特别是针对罕见、严重或危及生命的疾病。这些药物是具有未知或不可展望风险的新物质，因为它们之前没有被广泛监管或使用。例如，尽管已经开发了数百种 COVID-19 药物，但截至 2023 年 10 月，美国食品和药物管理局仅推荐了六种（例如地塞米松和氢化可的松）。
新药的临床部署谨慎且缓慢，因此确定这些新兴药物的药物相互作用 (DDI) 至关重要。为了加快发现潜在 DDI 的速度，人们开发了计算技术，特别是机器进修步骤。然而，由于临床试验信息有限，意外的多重用药或副作用大概会很严重且难以检测。
早期的 DDI 展望步骤使用手工设计的特征来表示鉴于药物特性的相互作用。尽管这些步骤可以在冷启动环境下直接作用于新兴药物，但它们大概缺乏表达性并且忽略了药物之间的相互联系。DDI 其实可以自然地表示为图表，其中节点代表药物，边代表一对药物之间的相互作用。图进修步骤可以进修药物嵌入进行展望，但它们依赖于历史相互作用，因此难以解决新兴药物相互作用数据稀缺的问题。
将大型生物医学收集作为 DDI 展望的辅助信息是仅从 DDI 交互中进修的另一种选择。这些生物医学收集（例如 HetioNet）将事实组织成有向多干系图，记录生物医学观点（例如基因、疾病和药物）之间的干系。图神经收集可以通过聚合拓扑结构和药物嵌入来获得表达节点嵌入，但现有步骤没有专门考虑新兴药物，导致在展望它们的 DDI 时性能较差。
在最新的研讨中，清华大学、第四范式以及腾讯的研讨职员建议通过进修不断目的药物对的生物医学观点，用大型生物医学收集来展望新兴药物的 DDI。虽然新兴药物在 DDI 收集中大概没有足够的相互作用，但它们通常与现有药物的药物开发中使用的生物化学观点相同，例如目的基因或疾病。
因此，该团队操纵生物医学收集中给定药物对的有关途径。然而，正确操纵这些收集大概具有挑战性，因为它们不是为新兴药物开发的，而且目的的不匹配大概导致机器进修模型进修分散注意力的知识。
图示：EmerGNN 概述。（来源：论文）
为了准确且可解释地展望新兴药物的 DDI，研讨职员引入 EmerGNN，这是一种图神经收集 (GNN) 步骤，它通过集成生物医学实体和不断它们的干系来进修成对药物表示。鉴于流的 GNN 架构提炼不断药物对的途径，从新兴药物到现有药物的追踪，并沿着途径集成有关生物医学观点的信息。
这种步骤操纵生物医学和交互收集中的共享信息。为了能够提炼有关信息，研讨职员对生物医学收集上不同类型的干系进行加权，使得途径上权重较大的边有助于解释。
与其他鉴于 GNN 的步骤相比，EmerGNN 在待展望药物对周围的局部子图上传播，更好地发现生物医学收集内的定向信息流。
图示：分析 DrugBank 数据集上选定途径的干系类型。（来源：论文）
该团队证明了 EmerGNN 对于 DDI 展望的有效性，但其实 EmerGNN 是一种通用步骤，可应用于其他生物医学应用，例如展望蛋白质-蛋白质相互作用、药物-靶标相互作用和疾病-基因相互作用。
图示：药物对的可视化。（来源：论文）
研讨职员预计 EmerGNN 根据边缘注意力值选择的途径可以提高这些展望的准确性和可解释性。他们希望开源的 EmerGNN 能够作为强大的深度进修工具来推进生物医学和医疗保健，使从业者能够在低数据场景下操纵现有大型生物医学收集中的丰富知识。
论文链接：https://www.nature.com/articles/s43588-023-00558-4