科创中国

行业领域

农、林、牧、渔业,农业

需求背景

在用药过程中往往会有两种药物或多种药物同时使用的情况，这种方法对促进治疗有积极的作用，但也增加了不同药物组合使用带来的潜在风险，因此，药物-药物相互作用分析是药物发现过程中必不可少的工作之一。传统的药物-药物相互作用分析是一种劳动密集型工作，需要借助大量的生物化学实验来完成，并耗费大量的时间。基于人工智能的药物发现已经成为近年来的热门研究领域，通过人工智能技术可以对不同药物之间相互作用关系结合程度进行分析，便于快速找到最佳的药物之间相互作用的药物对(drug-drugpair,DDP)。因此，人工智能技术在药物-药物相互作用预测(Drug-drug interaction,DDI)工作中可以大大缩短药物发现时间，减轻大量重复性的工作，对促进药物发现工作有一定的推动作用。

需解决的主要技术难题

数据稀疏性：在现实世界中，药物与药物之间的相互作用数据往往是稀疏的，尤其是在大型药物数据库中。由于数据稀疏性，模型可能难以准确预测药物之间的相互作用。复杂性：药物相互作用预测是一个复杂的任务，因为药物之间的相互作用受到多种因素的影响，如药物的化学结构、剂量、给药方式、患者的个体差异等。这些因素使得基于数据的药物相互作用预测变得更加困难。不平衡性：在药物相互作用数据中，往往存在大量不均衡的类。例如，某些药物组合可能比其他药物组合更常见，这可能导致模型在训练时出现偏斜，影响预测的准确性。

期望实现的主要技术目标

基于RGDA‑DDI的药物‑药物相互作用(DDI)预测方法，用于解决现有DDI预测方法效果不理想的问题。数据编码模块、特征融合模块和预测模块。其中数据编码模块由多个Residual‑GAT子模块组成，每个子模块都是由图注意力层Normalize层和SAGPooling层构成，用于对输入的药物进行多尺度特征提取；特征融合模块是由两个双注意力机制(dual‑attention mechanism)子模块组合而成，用于多尺度药物特征融合；最后将融合后的特征输入到预测模块进行预测。

处理进度