基于 DDINet 的药物相互作用预测：开启精准用药新篇章

研究人员针对药物相互作用（DDI）预测难题，开展 DDINet 架构研究，成果显著，助力精准医疗。

　　在医疗领域，药物是治疗疾病的重要 “武器”，但当多种药物同时使用时，药物相互作用（Drug Drug Interactions，DDI）却可能成为隐藏的 “杀手”。它会引发不良反应，降低治疗效果，甚至危及患者生命。例如，一些药物联用时，会影响彼此的代谢过程，导致药物在体内的浓度异常，从而产生意想不到的后果。目前，通过传统湿实验室实验来识别 DDI，不仅耗时费力，而且成本高昂。现有的计算方法在预测 DDI 时，也存在诸多不足，如依赖统计相关性，无法深入考虑分子机制，导致预测准确性欠佳，难以满足实际需求。

为了解决这些问题，东北山大学（North-Eastern Hill University）图拉校区计算机应用系以及卡利亚尼大学（University of Kalyani）计算机科学与工程系的研究人员开展了深入研究。他们提出了一种名为 DDINet 的新型深度序列学习架构，旨在更精准地预测和分类 DDI，并分析其潜在机制。该研究成果发表在《Scientific Reports》上，为药物研发和临床用药提供了重要的参考依据。

在研究方法上，研究人员主要运用了以下关键技术：首先，从 DrugBank 和 Kaggle 获取公开的 DDI 数据集，其中包含丰富的药物信息和相互作用数据。接着，利用 Rcpi 工具包从药物的简化分子输入线输入系统（Simplified Molecular-Input Line-Entry System，SMILES）格式的化学成分中提取生化特征，如 Hall Smart、氨基酸计数和碳类型等，这些特征能有效反映药物的结构和组成信息。然后，构建 DDINet 模型，该模型融合了门控循环单元（Gated Recurrent Unit，GRU）、注意力机制（Attention mechanism）和长短期记忆网络（Long Short-Term Memory，LSTM），通过多模块协同工作，增强对药物特征的提取和分析能力，进而准确预测 DDI。

研究结果主要体现在以下几个方面：

• 训练和评估结果：通过对排泄、吸收、代谢和排泄率（高血清水平）四种机制的研究，发现 DDINet 模型在训练过程中，不同机制下的损失曲线表现良好。训练完成后，排泄、吸收、代谢和排泄率（高血清水平）机制的训练损失值分别为 0.1443、0.1504、0.4428 和 0.0691，验证损失值分别为 0.3276、0.1503、0.4600 和 0.0778。在测试集上，该模型综合四种机制的平均总体准确率达到 95.42%，精度、召回率和 F₁分数分别为 0.94、0.94、0.95。
• 注意力热图：从注意力热图可以看出，在不同机制下，对于相互作用和非相互作用的药物对，注意力分数的热图呈现出互补的行为。例如，在排泄机制中，相互作用的 DDI 在潜在空间 7、20 和 26 处显示出高强度值，而非相互作用的情况则显示出低强度值。这表明注意力机制在区分相互作用和非相互作用的药物对中起到了关键作用，为 DDI 预测提供了可解释性。
• 与其他技术的比较结果：将 DDINet 模型与五种流行的机器学习（Machine Learning，ML）技术（多层感知器（Multi-Layer Perceptron，MLP）、决策树（Decision Tree，DT）、随机森林（Random Forest，RF）、朴素贝叶斯（Na?ve Bayes，NB）和支持向量机（Support Vector Machine，SVM））以及三种深度学习（Deep Learning，DL）方法（LSTM、GRU 和基于 Transformer 的模型）进行比较。结果显示，DDINet 模型在各项评估指标上均表现出色，在大多数机制下，其准确率、精度、召回率和 F₁分数均高于其他模型。
• 置信区间和配对 t 检验：通过置信区间（Confidence Interval，CI）测试和配对 t 检验进一步验证了 DDINet 模型的优越性。置信区间测试表明，该模型在所有机制下的错误率和误差幅度均低于其他对比技术；配对 t 检验在 5% 的显著性水平下，证明了 DDINet 模型的 DDI 预测准确率在统计上具有显著意义。

研究结论与讨论部分指出，DDI 预测及其机制分类是临床、制药和计算生物学家面临的重要且具有挑战性的领域。DDINet 是一种创新的深度学习架构，首次实现了基于不同机制的 DDI 预测。该模型在多个数据集上表现出卓越的性能，优于多种传统的 ML 和 DL 技术。它能够有效利用药物的结构特征，深入分析分子机制，为药物相互作用的研究提供了新的视角和方法。这一架构有望成为预测药物相互作用及其机制的高效计算方法，减少对昂贵湿实验室实验的依赖，帮助医疗专业人员更科学地选择药物组合和剂量，最终改善患者的治疗效果，推动精准医疗的发展。