清华大学与腾讯研究团队合作应用图神经网络预测新兴药物在生物医学网络中的相互作用

编辑 | 萝卜皮的需要重写内容是：

新兴药物的药物相互作用 (DDI) 提供了治疗和缓解疾病的可能性，利用计算方法准确预测这些相互作用可以改善患者护理并有助于高效的药物开发。然而，许多现有的计算方法需要大量已知的 DDI 信息，这对于新兴药物来说是稀缺的

清华大学、第四范式（4Paradigm）以及腾讯 Jarvis Lab 的研究人员提出了 EmerGNN，这是一种图神经网络，可以利用生物医学网络中的丰富信息来有效预测新兴药物的相互作用。

EmerGNN 通过提取药物之间的路径、将信息从一种药物传播到另一种药物以及在路径上结合相关的生物医学概念来学习药物的成对表示。生物医学网络的边缘通过加权来指示目标DDI预测的相关性

总的来说，EmerGNN 相对于现有的方法在预测新兴药物相互作用方面具有更高的准确性，并且能够识别生物医学网络上最相关的信息

该研究以「Emerging drug interaction prediction enabled by a flow-based graph neural network with biomedical network」为题，于 2023 年 12 月 20 日发布在《Nature Computational Science》。

科学进步和监管变化推动了全球许多新兴药物的研发，尤其是用于治疗罕见、严重或危及生命疾病的药物。这些药物是一种未知或无法预测风险的新物质，因为它们以前没有受到广泛的监管或使用。例如，尽管已经开发了数百种 COVID-19 药物，但截至 2023 年 10 月，美国食品药品监督管理局仅推荐了六种（如地塞米松和氢化可的松）

新药的临床部署谨慎且缓慢，因此确定这些新兴药物的药物相互作用 (DDI) 至关重要。为了加快发现潜在 DDI 的速度，人们开发了计算技术，特别是机器学习方法。然而，由于临床试验信息有限，意外的多重用药或副作用可能会很严重且难以检测。

早期的 DDI 预测方法使用手工设计的特征来表示基于药物特性的相互作用。尽管这些方法可以在冷启动环境下直接作用于新兴药物，但它们可能缺乏表达性并且忽略了药物之间的相互联系。DDI 其实可以自然地表示为图表，其中节点代表药物，边代表一对药物之间的相互作用。图学习方法可以学习药物嵌入进行预测，但它们依赖于历史相互作用，因此难以解决新兴药物相互作用数据稀缺的问题。

将大型生物医学网络作为 DDI 预测的辅助信息是仅从 DDI 交互中学习的另一种选择。这些生物医学网络（例如 HetioNet）将事实组织成有向多关系图，记录生物医学概念（例如基因、疾病和药物）之间的关系。图神经网络可以通过聚合拓扑结构和药物嵌入来获得表达节点嵌入，但现有方法没有专门考虑新兴药物，导致在预测它们的 DDI 时性能较差。

在最新的研究中，中国的清华大学、第四范式以及腾讯的研究人员提出建议，利用大型生物医学网络学习连接目标药物对的概念，来预测新兴药物的药物相互作用（DDI）。尽管新兴药物在DDI网络中可能没有足够的相互作用数据，但它们通常与已有药物开发中使用的生物化学概念相似，比如目标基因或疾病

因此，团队决定利用生物医学网络中已知药物对的相关路径。然而，正确运用这些网络可能具有挑战性，因为它们并非为新药研发而设计，而且目标的不匹配可能导致机器学习模型分散注意力的学习

图示：EmerGNN 概述。（来源：论文）

为了准确且可解释地预测新兴药物的 DDI，研究人员引入 EmerGNN，这是一种图神经网络 (GNN) 方法，它通过集成生物医学实体和连接它们的关系来学习成对药物表示。基于流的 GNN 架构提取连接药物对的路径，从新兴药物到现有药物的追踪，并沿着路径集成有关生物医学概念的信息。

这种方法利用生物医学和交互网络中的共享信息。为了能够提取相关信息，研究人员对生物医学网络上不同类型的关系进行加权，使得路径上权重较大的边有助于解释。

相对于其他基于 GNN 的方法，EmerGNN 在传播待预测药物对周围局部子图时能更好地发现生物医学网络内的定向信息流

展示了在DrugBank数据集上对所选路径的关系类型进行分析的图示。（引自论文）

该团队证明了 EmerGNN 对于 DDI 预测的有效性，但其实 EmerGNN 是一种通用方法，可应用于其他生物医学应用，例如预测蛋白质-蛋白质相互作用、药物-靶标相互作用和疾病-基因相互作用。

图示：药物的可视化表达。（来源：论文）

研究人员预计，通过根据边缘注意力值选择的路径，EmerGNN可以提高这些预测的准确性和可解释性。他们希望将EmerGNN开源，作为一种强大的深度学习工具，推动生物医学和医疗保健领域的发展，使从业者能够在数据较少的情况下利用现有的大型生物医学网络中的丰富知识

请点击以下链接查看论文：https://www.nature.com/articles/s43588-023-00558-4