Zimo Yan Jie Zhang Zheng Xie Yiping Song Hao Li

摘要

准确预测药物-药物相互作用（Drug-Drug Interactions, DDI）对于用药安全和高效药物研发至关重要。然而，现有方法往往难以捕捉从局部官能团到全局分子拓扑结构等多尺度的结构信息，且通常缺乏对预测置信度的量化机制。为解决上述局限性，我们提出了一种新型的多尺度图神经过程框架——MPNP-DDI。该框架的核心是一个独特的消息传递机制，通过迭代应用，能够学习不同尺度下的图表示层次结构。关键在于，一种跨药物的协同注意力机制随后动态融合这些多尺度表示，生成具有上下文感知能力的药物对嵌入表示；同时，集成的神经过程模块可提供基于原理的不确定性估计。大量实验表明，MPNP-DDI在基准数据集上的表现显著优于当前最先进的基线方法。通过基于多尺度结构特征，提供准确、可泛化且具备不确定性感知的预测结果，MPNP-DDI为药物警戒、多药联用风险评估以及精准医学提供了强大的计算工具。