针对多药联用引发的药物相互作用风险，韩国全北国立大学助理教授 Hilal Tayara 团队开发了新型深度学习模型 DDINet。该模型专为预测未知新药间的相互作用而设计，具备轻量、可扩展及高精度等特点，有效解决了现有模型在真实临床场景下性能下降及算力需求过高的问题。 多药联用虽能治疗复杂疾病，却显著增加了药物相互作用风险，可能导致疗效降低或引发严重不良反应。传统预测模型常在理想化数据分割下表现优异，一旦面对真实世界中未见过的药物，其性能往往大幅衰退。DDINet 通过简化的深度学习架构，仅需五个全连接层和分子指纹作为输入，即可同时预测药物相互作用的发生概率及其生物效应，且显著降低了计算资源消耗。 研究人员利用 DrugBank 大型数据集，对比了五种分子指纹技术，最终确定摩根指纹效果最佳。在评估过程中，团队采用了严格的数据分割协议，构建了三种场景：随机分割、已知与未知药物组合、以及双药均未知场景。其中，双药均未知场景最接近临床实际挑战。结果显示，DDINet 在所有场景中表现稳定，尤其在最具挑战性的双药未知场景下，性能优于或持平于现有模型。 DDINet 的紧凑架构使其易于大规模部署，可应用于医院处方系统、新药研发管线及药物警戒系统。该技术的落地将有助于加速药物开发进程，并显著提升依赖多药治疗患者的用药安全，为精准医疗提供有力的技术支撑。