来源:Quantitative Biology 发布时间:2024/6/17 15:19:33
选择字号:
QB  华中农业大学章文刘世超团队综述基于深度学习的药物-药物相互作用预测前沿进展

论文标题: Deep learning for drug-drug interaction prediction: A comprehensive review

期刊:Quantitative Biology

作者:Xinyue Li, Zhankun Xiong, Wen Zhang, Shichao Liu

发表时间:13 February 2024

DOI:https://doi.org/10.1002/qub2.32

微信链接:点击此处阅读微信文章

药物-药物相互作用(DDI)预测是药物安全性研究的关键任务,识别潜在的DDI有助于探索联合治疗背后的机制。传统的DDI湿化学实验既繁琐又耗时,限制了DDI预测的效率。因此,开发高效的计算方法来检测药物间的相互作用尤为重要。随着深度学习的发展,学者们提出了众多基于深度学习的DDI预测计算模型。与传统机器学习相比,深度学习可以显著提高DDI预测性能,能够扩展到大规模数据集,并接受多种数据类型作为输入,从而使DDI预测更加高效和准确。

近期,华中农业大学章文/刘世超课题组Quantitative Biology期刊发表了一篇题目名为“Deep learning for drug‐drug interaction prediction: A comprehensive review”的综述文章。文章对基于深度学习的药物-药物相互作用预测研究进展进行了回顾,包括基于传统神经网络的方法、基于图神经网络的方法、基于知识图谱嵌入的方法和基于多模态学习的方法,并指出了当前研究面临的挑战与未来可能的研究方向。

全文概要

本文综述了基于深度学习的药物-药物相互作用预测研究进展。首先,文章概述了药物互作的原理及研究现状(图1);接着介绍了四类主流的基于深度学习的药物-药物相互作用预测方法;最后总结了当前研究面临的挑战,同时指出了未来可能的研究方向。

图1 四种基于深度学习的DDI预测方法总体工作流程

1. 基于传统神经网络的方法

传统的神经网络模仿自然界的生物神经网络,由许多神经元以复杂的方式连接而成,一般由输入层、隐藏层和输出层组成。在DDI预测中,通常在将药物输入神经网络之前对其进行变换或特征提取。

2. 基于图神经网络的方法

根据输入数据的类型,将基于图神经网络(GNN)的方法分为两类:基于分子图的GNN和基于关联图的GNN。基于分子图的GNN使用药物分子图作为模型输入,并通过RDKit将药物SMILES序列表示转换为分子图。基于关联图的GNN模型输入一般为DDI图,其中包含药物、DDI或副作用等相关信息。大多数现有的方法都是基于分子图,但是基于关联图的方法可以考虑药物分子结构之外的特性,从而进行更全面的DDI预测。

3. 基于知识图谱嵌入的方法

知识图谱(KG)是多关系数据的图结构表示,包含丰富的语义信息和知识事实。KG以三元组形式存储实体及其关系(头实体、关系、尾实体),例如,(DRUG1,关系类型,DRUG2),其中头实体(DRUG1)通过谓词关系(关系类型)连接到尾实体(DRUG2)。通常用于DDI预测的数据库,如DrugBank和KEGG,在很大程度上是作为药物信息网络构建的,因此可以将其描述为KGs。通过KG可以获得更多的生物关联信息,用于DDI预预测。现有的KG嵌入方法可分为三类:基于翻译的方法、基于张量分解的方法和基于神经网络的方法。

4. 基于多模态学习的方法

多模态深度学习将多种药物特征作为不同模态,并将它们结合起来进行DDI预测。药物具有多种与其有关联的实体特征,如靶标、酶和作用通路等。同时,药物具有多种维度的结构特征,如一维SMILES序列、二维分子图、三维构象图等。考虑多种特征可以在一定程度上获得较好的DDI预测性能。

5. 现存挑战与可能的研究方向

尽管深度学习在DDI预测领域取得了显著进展,但仍面临数据稀疏性、罕见DDI事件和模型可解释性不足等挑战。为克服这些限制,未来的研究可以探索利用对抗性学习来优化数据集,利用其他生物网络作为补充数据源以缓解网络稀疏性问题;引入小样本学习和零次学习来处理罕见DDI事件;开发更具可解释性的DDI预测模型,以提高模型的准确性、可靠性和可信度。

QB期刊介绍

Quantitative Biology (QB)期刊是由清华大学、北京大学、高教出版社联合创办的全英文学术期刊。QB主要刊登生物信息学、计算生物学、系统生物学、理论生物学和合成生物学的最新研究成果和前沿进展,并为生命科学与计算机、数学、物理等交叉研究领域打造一个学术水平高、可读性强、具有全球影响力的交叉学科期刊品牌。

QB期刊目前已被ESCI, Scopus, CSCD等国内外重要数据库收录。Citescore2021=4.6,2023年将获得第一个影响因子(IF)。

《前沿》系列英文学术期刊

由教育部主管、高等教育出版社主办的《前沿》(Frontiers)系列英文学术期刊,于2006年正式创刊,以网络版和印刷版向全球发行。系列期刊包括基础科学、生命科学、工程技术和人文社会科学四个主题,是我国覆盖学科最广泛的英文学术期刊群,其中12种被SCI收录,其他也被A&HCI、Ei、MEDLINE或相应学科国际权威检索系统收录,具有一定的国际学术影响力。系列期刊采用在线优先出版方式,保证文章以最快速度发表。

中国学术前沿期刊网

http://journal.hep.com.cn

 
 
 
特别声明:本文转载仅仅是出于传播信息的需要,并不意味着代表本网站观点或证实其内容的真实性;如其他媒体、网站或个人从本网站转载使用,须保留本网站注明的“来源”,并自负版权等法律责任;作者如果不希望被转载或者联系转载稿费等事宜,请与我们接洽。
 
 打印  发E-mail给: 
    
 
相关新闻 相关论文

图片新闻
研究阐述钙钛矿量子点最新进展 7月福利!科学网APP论文&基金最新活动
让屋顶变白是保持城市凉爽的最好方法 他们心里有一盘棋:“精准设计”水稻种子
>>更多
 
一周新闻排行
 
编辑部推荐博文