“可解释、可通用的下一代人工智能方法”重大研究计划系列成果五——基于流的图神经网络与生物...

　　

图 EmerGNN框架的概述

　　在国家自然科学基金项目（批准号：92270106）等资助下，清华大学姚权铭助理教授带领课题组在医药领域首次提出了有效的深度学习方法来解决新药物间反应预测问题。相关研究成果以“基于流的图神经网络与生物医学网络的新兴药物相互作用预测（Emerging Drug Interaction Prediction Enabled by Flow-based Graph Neural Network with Biomedical Network）”为题，于2023年12月发表于《自然?计算科学》（Nature Computational Science）。论文链接：https://www.nature.com/articles/s43588-023-00558-4。

　　目前大约有6.7%的住院患者面临药物副反应的困扰，大约有0.32%的住院患者面临药物副反应带来的生命危险。而由于体内试验周期长，新药物极为缺乏参考用例，药物的不良反应在新药物上的问题更为严重，临床上的联合药物使用更易引发意外的不良反应。因此，开发高效的预测新药物间反应的方法非常必要。现有的深度学习方法需要大量的监督数据，且在预测方面表现不佳，如何解决监督数据缺失是核心问题。

　　针对这一难题，研究团队采用了小样本学习的办法，在原始药物反应图谱的基础上引入医药网络，利用其中丰富的医药学信息，组成新的医药图谱，从而解决了监督数据缺失的问题。进一步，研究团队从全图中将药物之间的关系路径提取成子图，并为路径设置注意力权重，基于注意力机制建立基于流的图神经网络EmerGNN，实现新药物之间反应的准确预测。在公共数据集上的大量实验表明，研究团队提出的EmerGNN性能不仅大幅超出基线方法，而且可以为重要关系路径提供解释性。

　　该研究率先为新药物间反应的预测提供了一种有效的算法和工具，提升了算法预测的可解释性和准确性，算法可迁移到蛋白质-蛋白质相互作用预测等应用上，有望在实际临床试验中应用，对于改善病人护理和加快药物开发过程有重要意义。