ExDDI：利用自然语言解释药物-药物相互作用预测
内容提要
本文介绍了基于知识图谱和深度学习的药物相互作用预测方法，包括多数据源、图卷积神经网络和强化学习等技术。这些方法显著提高了药物相互作用预测的准确性，并为药物开发提供了新见解。
延伸解读
技术演进：从多源融合到零样本预测
文章梳理了DDI预测方法的发展脉络：早期工作如2019年基于多数据源知识图谱嵌入的方法，融合DrugBank、PharmGKB和KEGG drug的12,000个药物属性，采用ComplEx嵌入和Convolutional-LSTM，在5折交叉验证中达到平均精度0.94、F1-score 0.92、MCC 0.80。随后，CASTER框架引入化学结构表示，HAN-DDI利用异质性图卷积网络，medicX集成多特征，DDIPrompt解决类别不平衡，ZeroDDI和零样本方法则利用文本信息应对新药预测。这一演进显示研
可解释性与数据稀缺的平衡
文章指出，CASTER框架能提供可解释的预测结果，而DDIPrompt和ZeroDDI等方法则致力于解决标注数据稀缺和类别不平衡问题。这反映了DDI预测领域的两个关键挑战：一是模型决策需要透明，以辅助药物开发；二是罕见或未知相互作用缺乏标注数据，需借助预训练模型、文本信息和强化学习等技术。读者可关注这些方法如何在不牺牲性能的前提下提升可解释性和泛化能力。
评估指标与模型性能参考
文章提到，基于多数据源知识图谱嵌入的方法在5折交叉验证中取得了平均精度0.94、F1-score 0.92和MCC值0.80。这些指标可作为评估DDI预测模型的参考。后续研究如HAN-DDI、RGDA-DDI等均在公开数据集上验证了性能提升。读者在比较不同模型时，应注意其使用的数据集、评估协议和任务设定是否一致，以避免直接对比产生误导。
Q&A
ExDDI方法是如何预测药物相互作用的？
ExDDI方法利用多数据源知识图谱嵌入和深度学习技术，结合多个数据库的药物属性信息进行训练，从而预测药物相互作用的风险。
在ExDDI研究中使用了哪些数据库？
ExDDI研究融合了DrugBank、PharmGKB和KEGG drug三个数据库中的12,000个药物属性信息。
ExDDI的预测准确性如何？
ExDDI在5折交叉验证中取得了平均精度0.94、F1-score 0.92和MCC值0.80，显示出较高的预测准确性。
什么是HAN-DDI模型，它的优势是什么？
HAN-DDI是一种基于异质性图卷积神经网络的药物相互作用预测模型，能够准确预测新药物的相互作用，表现优于已有模型。
DDIPrompt方法解决了什么问题？
DDIPrompt通过利用预训练模型中的内在知识，解决了药物相互作用预测中的类别不平衡和标注数据稀缺的问题。
ZeroDDI方法的主要创新点是什么？
ZeroDDI通过生物语义增强的DDIE表示学习模块和双模态统一对齐策略，解决了类别不平衡问题，并在未知DDIE检测方面显示出潜力。
