一种具备语义理解能力的语义图谱神经网络,用于预测由新陈代谢介导的药物-药物相互作用

《Pattern Recognition》:A semantic-aware knowledge graph neural network for metabolism-mediated drug-drug interaction prediction

【字体: 大 中 小 】 时间:2026年10月08日 来源:Pattern Recognition 9.1

编辑推荐:

  •NRASR 在关系级聚合之前优先考虑生物实体的相关性。 •拓扑感知的基序注意力能够捕捉直接和更高阶的依赖关系。 •三上下文共注意力模型能够处理基序-基序以及两种基序-知识图谱(KG)之间的相互作用。 •KGEMM 在冷启动情况下实现了卓越的分类性能和有竞争力的回归效

  •NRASR 在关系级聚合之前优先考虑生物实体的相关性。
•拓扑感知的基序注意力能够捕捉直接和更高阶的依赖关系。
•三上下文共注意力模型能够处理基序-基序以及两种基序-知识图谱(KG)之间的相互作用。
•KGEMM 在冷启动情况下实现了卓越的分类性能和有竞争力的回归效果。
•关键的分子基序和生物医学路径支持可解释的预测结果。

**引言**
随着多发性疾病的日益普遍,联合药物治疗已成为治疗复杂疾病的常见策略[1]。然而,当多种药物联合使用时,它们之间可能发生代谢介导的药物-药物相互作用(MMDDIs),这可能导致疗效降低、毒性增加,甚至严重的不良反应[2]。例如,当一名高血脂患者同时服用辛伐他汀和克拉霉素治疗呼吸道感染时,克拉霉素会强烈抑制CYP3A4酶,导致辛伐他汀的代谢几乎停止。这会导致血液中药物浓度急剧上升,可能引发致命的横纹肌溶解症,进而导致急性肾衰竭甚至死亡[3]、[4]、[5]。因此,如果能够基于这些内在机制定量预测MMDDIs,就可以提前识别出高风险的药物组合,为临床决策提供依据。尽管传统的实验方法(包括体外酶活性测定和体内药代动力学研究)为评估MMDDIs提供了可靠的证据[6],但它们固有的局限性——高成本、时间长和低通量——使得难以满足大规模药物组合的筛查需求。深度学习为这一问题提供了非常有前景的解决方案[7]、[8],主要沿着两条技术路径发展:首先是基于分子结构的表示学习方法;其次是基于生物医学知识图谱的关系推理方法。

基于分子结构的方法通常将药物表示为原子和键的图,并通过邻居聚合[9]或注意力机制[11]、[12]来学习分子内部的依赖关系。为了捕捉超出原子级模式的化学意义上的子结构,基于基序的方法将重复出现的子结构表示为结构单元。HM-GNN[13]构建了一个异构的分子和基序图,以捕捉分子之间的基序级关联。MeTDDI[14]分别建模基序之间的局部连接性和全局拓扑关系,MOTOR[15]在细化DDI网络拓扑的同时描述基序的内部结构、局部上下文和全局语义,而ImageDDI[16]通过分子图像信息增强基于Transformer的基序-序列表示。这些方法采用不同的策略来编码基序关系和结构上下文。这种基序级别的表示对于MMDDIs来说非常重要,因为某些基序可以直接与代谢机制和药理效应相关联。例如,帕罗西汀中的1,3-苯并二氧环会导致细胞色素P2D6(CYP2D6)的机制性失活,从而通过减少CYP2D6介导的代谢来潜在地增加普罗帕酮的血浆浓度[17]。这样的基序相关代谢效应可以进一步通过涉及的酶和生物过程来表征。生物医学知识图谱(BKGs)通过将药物与生物实体(如酶、靶标、转运蛋白和通路)联系起来提供补充的上下文。早期的基于BKG的方法,如KGNN[18]和DDKG[19],通过传播和聚合来自邻近实体的关系信息来学习药物表示,而KGCNN[20]通过一个空间感知的胶囊聚合器增强了邻居建模。最近的研究已将分子结构整合到基于BKG的DDI预测中[21]、[22]、[23]。MKG-FENN[24]通过多个知识图谱通道对异构药物信息进行建模,而MUFFIN[25]通过双层特征融合策略学习分子和KG表示并捕捉它们的相互作用。TIGER[26]提出了一个基于Transformer的关系感知图表示学习框架,将结构信息与知识图谱结合起来。这些方法主要关注融合学习到的分子和KG表示或编码异构的生物医学关系,较少关注生物医学邻域的信息量如何影响药物表示学习。

在交互级别的冷启动MMDDI预测中,这个问题更为突出,其中一个或两个测试药物不存在于训练DDI样本中,它们的生物医学邻域仅在推理时进行编码。尽管分子子结构可以提供可转移的结构证据,但可用的生物医学邻域可能较为稀疏或包含相关性较差的生物实体[27]、[28]。在这种情况下,关系级聚合可能难以区分哪些邻近生物实体与代谢介导的相互作用最为相关。一个关键的限制在于聚合顺序:在明确评估单个邻近实体对目标药物的语义相关性之前,关系级信息就已经形成[18]、[21]、[24]。因此,通过相同关系类型连接的生物实体可能会获得差异不明显的权重,使得难以识别关键的生物医学信号。尽管图补全和关系平滑策略[29]、[30]可以通过恢复缺失链接或改进稀疏关系表示来缓解图谱的稀疏性,但它们并没有直接解决如何在观察到的邻域内为目标药物加权生物实体的问题。

为了解决这些限制,我们提出了KGEMM(知识图谱增强的分子基序框架)用于冷启动MMDDI预测。KGEMM的主要方法学进步是基于语义相关性的邻居关系聚合(NRASR),它通过修订的聚合顺序优先考虑 informative bio-entities 来改善来自稀疏生物医学邻域的表示学习。KGEMM 进一步通过将成对最短路径关系映射到统一的自注意力机制内的可学习结构权重来建模基序拓扑。与MeTDDI 中的单独的局部和全局基序建模不同,这种设计在同一注意力过程中表示了直接和更高阶的基序依赖关系。受到代谢相关基序与酶和其他生物医学过程关联的启发,三上下文共注意力进一步在药物对级别上模型化了基序-基序相互作用以及两种特定于药物的基序-KG相互作用。本工作的主要贡献如下:
(1) 我们提出了NRASR来改善冷启动药物的生物医学表示学习。通过改变传统的聚合顺序,NRASR 更有效地区分了通过相同关系类型连接的生物实体,并有助于在稀疏邻域中保留 informative 生物医学信号。
(2) 我们开发了拓扑感知的基序建模和显式的跨上下文交互用于MMDDI预测。由此产生的表示既捕捉了直接和更高阶的基序依赖关系,也将分子结构线索与 complementing 生物医学上下文联系起来。
(3) 广泛的分类和回归实验(包括外部验证)展示了强大的冷启动性能。进一步分析支持NRASR 相对于其他聚合策略的有效性。
(4) KGEMM 通过代谢相关的分子基序和 informative 生物医学实体提供了补充的机制解释,为MMDDI预测提供了结构和生物医学证据。

本文的结构如下。第2节介绍KGEMM及其关键模块,第3节描述实验设置,第4节报告和讨论结果,第5节总结本文并讨论其局限性。

**问题表述**
给定一个DDI网络 GDDI=(V,E),我们定义 V={d1,…,dNd} 为Nd 种药物的集合,E?V×V 为带有有向边的药物对集合。给定一个药物对 (di,dj)∈E,预测可以表示为映射 F(di,dj)→yij。对于代谢DDI分类,yijcls∈{1,2,3,4} 表示代谢的相互作用类型。对于药代动力学(PK)值,yijreg∈R 表示由肇事药物 dj 引起的受害药物 di 的 PK AUC 倍数变化。对于每个药物 di∈V,我们构建 (i)

**数据集**
我们使用了 Zhang 的数据集[14]进行代谢DDI分类,并使用 PK-DDI 数据库[3]进行回归。Zhang 的数据集包含1409种药物之间的343,036个DDIs,这些DDIs有四个对顺序敏感的标签。标签1和2分别表示药物1与药物2联合使用时代谢减少和增加,而反转输入顺序会产生伪标签3和4。定义了三种情景:S1包含两种现有药物,S2包含一种现有药物和一种新兴药物,S3包含两种新兴药物。

**与基线的比较**
在DDI预测中,KGEMM 的表现优于其他九种基线方法,特别是在两种新兴药物的情景中。如表3所示,KGEMM 在 S1 上取得了最佳性能,平均准确率为93.3%,AUPR为98.1%,AUROC为99.3%。在更具挑战性的新兴药物情景(S2和S3设置)中,所有方法的性能都显著下降,而KGEMM 保持了稳健的性能,准确率提高了1.7%。

**结论**
在这项研究中,我们提出了用于冷启动代谢介导的药物-药物相互作用预测的KGEMM。KGEMM 的一个核心设计是其具有NRASR的语境感知异构知识图谱编码器,它在关系级消息聚合之前估计目标药物与其邻近生物实体之间的语义相关性,从而优先考虑 informative 生物医学信号。KGEMM 进一步采用拓扑感知的基序建模和三上下文共注意力来捕捉直接依赖关系。

**CRediT 作者贡献声明**
Wanmin Lin:写作 - 审稿与编辑、写作 - 原始草稿、可视化、验证、软件、方法论、形式分析、数据 curated、概念化。
Guodong Zhu:写作 - 审稿与编辑、验证、软件、形式分析、数据 curated。
Yunyun Niu:写作 - 审稿与编辑、监督、方法论、资金获取、概念化。

**利益冲突声明**
作者声明他们没有已知的财务利益或个人关系会影响本文报告的工作。

Wanmin Lin | Guodong Zhu | Yunyun Niu
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号