基于符号图卷积网络的药物互作用关系预测

李淑怡，黎珊，王鑫，陈明，姬文兴

（湖南师范大学信息科学与工程学院，长沙410081）

0 引言

当两种或两种以上的药物同时服用时，组合处方中的两种或两种以上药物在药理行为方面会相互影响，这种影响被称为药物相互作用（Drug-Drug Interaction，DDI）。DDI 可能降低疗效，诱发意想不到的药物不良反应或其他不良反应。不明原因的DDI 在临床上经常发生，药物库中批准的小分子药物平均每100 对药物中存在15 个DDI[1]。DDI 引起的不良反应在药物间的传播不可忽略，它们会让接受多种药物治疗的患者处于不安全的境地[2]。因此，在临床用药前，DDI 鉴定已成为一项迫切需要的任务。

然而，用于DDI 识别的传统实验方法（如检测转运体相关相互作用[3]）成本高、持续时间长[4]。到目前为止，在药物开发过程中（通常是临床试验阶段）只能识别出少数DDI，其中一些是在药物批准后报告的，更多是在上市后监测中发现的。计算方法为大规模地发现潜在的DDI 提供了一个很有前途的途径，并在最近得到了学术界和工业界的广泛关注[5-6]。目前的计算方法大致可分为基于文本挖掘的方法和基于机器学习的方法。前者从不同的文本源（如科学文献、FDA 的不良事件报告系统和电子病历）中检测的DDI。然而，这些方法在很大程度上依赖于药物上市后的证据，因此在进行多药处方之前，它们无法警告潜在的DDI。相比之下，基于机器学习的方法（例如，基于简单相似性的方法、基于网络推荐的方法、基于分类的方法能够通过利用上市前或上市后的药物属性（例如化学结构、靶点），来提供此类警报、层次分类码和副作用预测。……