Zimo Yan Jie Zhang Zheng Xie Yiping Song Hao Li

要約

薬物間相互作用（DDI）の正確な予測は、薬物の安全性確保および効果的な新薬開発にとって極めて重要である。しかし、従来の手法は、局所的な機能基団から分子全体のトポロジーに至るまで、異なるスケールにおける構造情報を十分に捉えることが困難であり、予測の信頼性を定量的に評価する仕組みも通常欠如している。こうした課題に対処するため、本研究では、マルチスケールグラフニューラルプロセス（MPNP-DDI）という新しいフレームワークを提案する。MPNP-DDIの核となるのは、反復的に適用可能な独自のメッセージパッシング機構であり、これにより複数スケールにわたるグラフ表現の階層構造を学習する。さらに、重要な点として、異なる薬物間の相互作用を考慮した文脈に適応した埋め込み表現を生成するために、クロスドラッグ共注目機構が複数スケールの表現を動的に統合する。また、統合されたニューラルプロセスモジュールにより、原理的かつ信頼性のある不確実性推定が可能となる。広範な実験により、MPNP-DDIがベンチマークデータセットにおいて、最先端のベースライン手法を著しく上回ることを示した。多スケール構造特徴に基づき、正確かつ汎化性に優れ、不確実性を考慮した予測を提供する本手法は、薬物警戒（pharmacovigilance）、多剤併用リスク評価、個別化医療の分野における強力な計算ツールとしての可能性を示している。