HyHO-DDI:一种用于高阶药物-药物相互作用预测的超图神经网络

《Journal of Biomedical Informatics》:HyHO-DDI: A hypergraph neural network for high-order Drug-Drug interaction prediction

【字体: 大 中 小 】 时间:2026年10月14日 来源:Journal of Biomedical Informatics 5.9

编辑推荐:

   摘要目的:药物-药物相互作用(DDIs)是药物不良反应(ADRs)的主要原因之一,尤其在同时接受多种药物治疗的患者中更为突出。现有的计算方法主要关注两药间的相互作用,这限制了它们捕捉高阶(多药联合)治疗方案复杂效应的能力。本研究提出了一种用于预测与肌病相关的高阶药物相互作用的

  

摘要

目的:

药物-药物相互作用(DDIs)是药物不良反应(ADRs)的主要原因之一,尤其在同时接受多种药物治疗的患者中更为突出。现有的计算方法主要关注两药间的相互作用,这限制了它们捕捉高阶(多药联合)治疗方案复杂效应的能力。本研究提出了一种用于预测与肌病相关的高阶药物相互作用的计算框架。

方法:

我们提出了HyHO-DDI,一种超图神经网络模型,利用从美国食品药品监督管理局不良事件报告系统(FAERS)中整理的数据集,来预测与肌病相关的高阶药物组合。在我们的模型中,每种药物由分子指纹特征和蛋白靶点信息表示,我们构建了一个超图,其中节点为药物,超边对应与肌病共同报告的多药组合。该模型将图卷积网络(GCN)层与基于超图的注意力机制相结合,以学习高阶相互作用表示,解码器输出输入药物组合与肌病关联的预测概率。我们通过5折交叉验证评估了HyHO-DDI,并将其与使用相同输入的MLP以及已建立的高阶基线模型(HODDI、D3I)和成对子集上的DeepPSE进行了比较。

结果:

HyHO-DDI在不同组合大小上均表现出强劲的预测性能,并在成对子集上与DeepPSE保持竞争力,实现了相同的F1分数且召回率更高。对于较大的组合,所提出的模型在保持对先前未见药物组合的强劲性能的同时,减少了假阳性预测,展示了强大的泛化能力。

结论:

HyHO-DDI通过利用超图显式建模多药相互作用,为预测与肌病相关的高阶药物相互作用提供了一种有效的框架。所提出的方法有望通过优先识别潜在危险药物组合和支持用药安全来改进计算药物警戒。

引言

随着多药联合方案在治疗复杂疾病中的应用日益增加,稳健的计算方法对于提高患者安全性和预测具有临床意义的药物-药物相互作用(DDIs)至关重要[1]。DDIs的表现形式涵盖广泛的结果范围,从增强治疗效果到严重的药物不良反应(ADRs)[2]。多重用药的上升趋势,尤其是在老年人群体中,进一步加剧了这一挑战,增加了具有临床意义的相互作用效应发生的可能性[3]。除了临床后果外,药物相关伤害还导致高昂的经济成本。Watanabe等人估计,美国未优化的药物治疗每年贡献约5284亿美元(2016年美元)的发病率和死亡率成本[4],而Ernst和Grizzle报道,2000年门诊环境中的药物相关发病率和死亡率成本超过1774亿美元[5]。这些估计数据突显了可预防的药物相关伤害的规模,其中ADRs和DDIs仍是主要贡献因素。
理解和预防药物相关伤害的实际障碍在于,许多复杂治疗方案下的不良反应可能由于样本量有限、测试约束以及关于多重用药测试的伦理顾虑而在对照临床试验中未被发现[2]。在现实世界中,患者经常同时服用多种药物,不良结局可能源于在试验中未得到系统评估的组合。这导致大规模的上市后监测资源(如自发报告系统)在药物警戒中发挥着关键作用,但也带来了与噪声、异质性和混杂因素相关的挑战。
从建模角度来看,许多现有DDI研究的一个关键局限性在于其依赖成对相互作用的建模方式。虽然成对预测很有价值,但它将推理限制在两药效应上。它与高阶DDIs不对应,高阶DDIs的相互作用效应定义在$r$元药物集上,且可能随组合大小而变化。重要的是,高阶DDIs可能无法仅从成对相互作用中推导出来[6]。这促使人们开发直接建模$r$元药物集的方法,并在组合级别分割下评估泛化能力,以减少跨折的泄漏。先前的研究通过采用统计模式挖掘[7]和较新的基于学习的方法[8]推动了高阶DDI建模的进展。然而,许多方法要么专注于检测频繁用药方案,要么专注于为已观察到的组合分配风险评分,而非学习一个能够捕捉涌现的组合级别效应的可泛化$r$元预测器[9]。近期的基准测试,如高阶药物-药物相互作用数据集(HODDI)[10]和深度DDI模型(D3I)[6],帮助标准化了评估;然而,由于嘈杂的药物警戒数据和训练集与测试集之间的潜在重叠,挑战依然存在。这些局限性促使开发能够原生表示可变大小药物集并在组合级别评估泛化能力的模型。
我们开发了一种基于超图的框架,用于预测大小为2-5的药物组合中与肌病相关的DDIs,强调合理的预处理、信息丰富的药物表示、稳健的负采样以及严格的评估。本研究构建了源自FAERS的与肌病相关组合数据集,使用分子指纹特征和靶点信息(靶点信息)表示每种药物,并引入了一种超图学习框架,在每种$r$元组合的药物之间应用结构感知自注意力机制。
尽管先前的研究已将超图[10]和置换不变集模型[6]应用于高阶DDI预测,HyHO-DDI的不同之处在于它整合了两个层级的表示学习:一个整合了仅限训练时的共现关系与特征相似性关系的全局药物图,以及在每种可变大小组合内的药物上的自注意力机制。事实上,HyHO-DDI的贡献在于将全局关系上下文与组合特定的建模相结合。
此外,一项全面的消融研究考察了双图组件、GCN衍生的结构信息、超边内自注意力、学习注意力池化、负采样策略以及分子指纹和药物靶点特征的贡献。我们还进行了随机靶点、随机特征和随机标签对照实验,以确定模型性能是否依赖于有意义的化学、生物学、结构和输入-标签信息。

章节摘要

相关工作

本节总结了与DDI预测和高阶相互作用建模相关的先前研究,按三个主题组织:(i) 成对DDI预测,(ii) 不显式执行$r$元预测的高阶风险评分或基于模式的方法,以及(iii) 高阶DDI预测模型。

数据来源

本研究使用了源自FAERS[34]的上市后药物警戒证据和来自DrugBank[35]的整理药物知识。2019年第一季度至2023年第四季度的FAERS季度数据经过处理以提取多药报告和不良事件字段。在提取药物组合之前,重复的FAERS报告被丢弃。DrugBank于2024年11月27日访问,以获取标准化药物名称、同义词、SMILES字符串和靶点信息。数据收集过程的简化概述如下,

模型性能

在五折交叉验证中,HyHO-DDI在与肌病相关的高阶药物组合上表现出持续强劲的预测性能。该模型的精度(Precision)和召回率(Recall)均值分别为86%和89%,同时保持F1分数均值为87%,AUROC均值为95%,AUC-PR均值为95%。更多详情请参阅补充文件中的表S2。这些结果表明,所提出的架构在精度和召回率之间保持了良好的平衡,而非

讨论

HyHO-DDI在与肌病相关的高阶药物组合上表现出强劲的预测性能,并在主要的变量基数评估中优于选定的基线模型。与MLP基线相比的改进尤为显著,因为两个模型使用了相同的输入特征,支持了所提出架构的贡献超越了输入描述符本身。在成对子集上,HyHO-DDI达到了与DeepPSE相同的F1分数,但召回率更高

结论

本研究提出了HyHO-DDI,一种混合图与超边注意力框架,用于从FAERS数据中预测二至五种药物组合中与肌病相关的药物组合。该模型将药物表示为节点,将药物组合表示为超边,整合多模态药物特征与结构感知自注意力,以捕捉不同大小方案中的相互作用模式。
实验结果表明,HyHO-DDI在分层5折

CRediT作者贡献声明

Naeem Shirmohammady:撰写–审阅与编辑,撰写–初稿,可视化,验证,软件,方法论,调查研究,形式化分析,数据整理。Zaynab Mousavian:撰写–审阅与编辑,概念构思。Somayeh Kafaie:撰写–审阅与编辑,验证,监督,资源,项目管理,方法论,调查研究,资金获取,概念构思。

利益冲突声明

作者声明以下可能被视作潜在利益冲突的财务利益/个人关系:Naeem Shirmohammady报告获得了Research Nova Scotia的财务支持。Somayeh Kafaie报告与Research Nova Scotia存在包含资金拨款的关系。Somayeh Kafaie报告与Mitacs Inc存在包含资金拨款的关系。如果有其他作者,他们声明没有已知的竞争性财务利益或

致谢

作者衷心感谢Saint Mary's University启动基金(由S.K.持有)提供的财务支持。N.S.还部分获得了Research Nova Scotia学者奖和新斯科舍省研究生奖学金的支持。作者还感谢Finlay Maguire博士的建设性反馈。
Naeem Shirmohammady|Zaynab Mousavian|Somayeh Kafaie
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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