Zimo Yan Jie Zhang Zheng Xie Yiping Song Hao Li

Abstract

Die präzise Vorhersage von Arzneimittel-Arzneimittel-Wechselwirkungen (DDI) ist entscheidend für die Medikationsicherheit und die effektive Arzneimittelentwicklung. Bisherige Ansätze stoßen jedoch häufig an ihre Grenzen, wenn es darum geht, strukturelle Informationen über verschiedene Skalen hinweg zu erfassen – von lokalen Funktionsgruppen bis hin zur globalen Molekültopologie – und verfügen typischerweise über keine Mechanismen zur Quantifizierung der Vorhersagezuverlässigkeit. Um diese Einschränkungen zu überwinden, stellen wir MPNP-DDI vor, einen neuartigen Multi-Skala-Graphen-Neuronalen-Prozess-Frame­work. Das Kernstück von MPNP-DDI ist ein einzigartiger Nachrichtenübertragungsmechanismus, der iterativ angewendet wird, um eine Hierarchie von Graphendarstellungen auf mehreren Skalen zu lernen. Entscheidend ist dabei, dass eine cross-drug Co-Attention-Mechanismus diese mehrskaligen Darstellungen dynamisch fusioniert, um kontextbewusste Embeddings für interagierende Arzneimittel-Paare zu generieren, während ein integrierter neuronalen-Prozess-Modul eine begründete Abschätzung der Unsicherheit ermöglicht. Umfangreiche Experimente zeigen, dass MPNP-DDI auf Benchmark-Datensätzen signifikant gegenüber aktuellen State-of-the-Art-Verfahren abschneidet. Durch die Bereitstellung genauer, generalisierbarer und unsicherheitsbewusster Vorhersagen, die auf mehrskaligen strukturellen Merkmalen basieren, stellt MPNP-DDI ein leistungsfähiges computergestütztes Werkzeug für die Pharmakovigilanz, die Bewertung von Polypharmazie-Risiken und die präzise Medizin dar.