基于特征融合与注意力机制的药物互作模型：MDF-SA-DDI

论文题目：MDF-SA-DDI: predicting drug–drug interaction events based on multi-source drug fusion, multi-source feature fusion and ransformer self-attention mechanism

论文来源： Briefings in Bioinformatics,00(00), 2021,1–13

网址：https://academic.oup.com/bib/advance-article-abstract/doi/10.1093/bib/bbab421/6406700?redirectedFrom=fulltext

代码： GitHub - ShenggengLin/MDF-SA-DDI

主要内容：使用多源药物融合，多源特征融合和Transformer进行药物互作预测

• 四个网络+多头自注意力机制
  • 孪生网络
  • 卷积神经网络
  • 两个自动编码器

药物互作相关

• 为什么要进行药物互作的研究
  • 大多数人类疾病病理复杂，对单一的药物都有抗药性。使用联合药物治疗可以有效提高药效，降低耐药性。
  • 但是，不同的药物之间可能会发生相互作用（drug–drug interaction， DDI），可能会导致不良事件。
  • 而每两种药都进行试验验证过于昂贵，因而使用计算机进行模拟的研究显得比较重要了。
• 主流方法：(1)基于机器学习的方法；(2)基于深度学习的方法；(3)基于矩阵分解的方法；(4)基于网络扩散的方法；(5)基于集成学习的方法；(6)基于文献或文本挖掘的方法。
• 以往方法的问题
  1. 大多基于深度学习技术，将两个药物向量连接在一起预测DDI事件，而没有尝试其他方法来融合药物对的信息
  2. 大多数方法在预测已知药物之间未观察到的相互作用方面表现良好，很难预测新药之间未被观察到的相互作用

提出方法：MDF-SA-DDI

• 具体内容
  1. 孪生网络（Siamese Network，SN），将两种药物的特征输入其中，得到的两个向量作为药物对的新特征。需要注意的是，这两个向量表示的是每个药物各自的特征
  2. 卷积神经网络（CN），将两个药物特征拼接，然后将其进行卷积，得到药物对的潜在特征
  3. 自动编码器（AE1），将两个特征向量拼接起来，然后通过自动编码器得到特征
  4. 自动编码器（AE2），将两个特征向量按照元素相加，然后通过自动编码器得到特征
  • 自注意力层：将上述四个向量，过一个多头自注意力模块进行特征融合
  • 全连接：将上述得到的特征过一个全连接层，得到最后的药物互作事件
  • 

• 由于数据集特征过多，直接使用容易得到维数灾难，基于类似药物可能与相同的药物相互作用的假设，文章直接使用了Jaccard近似
  • 

实验及结果

• 三种实验，相应任务中的新药表示在训练集中缺失，但在测试集中存在
  1. 预测已知药物之间未观察到的相互作用事件(任务1)
  2. 预测已知药物与新药之间的相互作用事件(任务2)
  3. 预测新药之间的相互作用事件(任务3)