A social theory-enhanced graph representation learning framework for multitask prediction of drug–drug interactions

药物数据库 计算机科学 多任务学习 杠杆(统计) 图形 人工智能 机器学习 特征学习 注意力网络 任务(项目管理) 理论计算机科学 药品 药理学 医学 经济 管理
作者
Jian Feng,Shao‐Wu Zhang,Yi-Yang Feng,Qingqing Zhang,Minghui Shi,Jian‐Yu Shi
出处
期刊:Briefings in Bioinformatics [Oxford University Press]
卷期号:24 (1) 被引量:8
标识
DOI:10.1093/bib/bbac602
摘要

Current machine learning-based methods have achieved inspiring predictions in the scenarios of mono-type and multi-type drug-drug interactions (DDIs), but they all ignore enhancive and depressive pharmacological changes triggered by DDIs. In addition, these pharmacological changes are asymmetric since the roles of two drugs in an interaction are different. More importantly, these pharmacological changes imply significant topological patterns among DDIs. To address the above issues, we first leverage Balance theory and Status theory in social networks to reveal the topological patterns among directed pharmacological DDIs, which are modeled as a signed and directed network. Then, we design a novel graph representation learning model named SGRL-DDI (social theory-enhanced graph representation learning for DDI) to realize the multitask prediction of DDIs. SGRL-DDI model can capture the task-joint information by integrating relation graph convolutional networks with Balance and Status patterns. Moreover, we utilize task-specific deep neural networks to perform two tasks, including the prediction of enhancive/depressive DDIs and the prediction of directed DDIs. Based on DDI entries collected from DrugBank, the superiority of our model is demonstrated by the comparison with other state-of-the-art methods. Furthermore, the ablation study verifies that Balance and Status patterns help characterize directed pharmacological DDIs, and that the joint of two tasks provides better DDI representations than individual tasks. Last, we demonstrate the practical effectiveness of our model by a version-dependent test, where 88.47 and 81.38% DDI out of newly added entries provided by the latest release of DrugBank are validated in two predicting tasks respectively.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
hsrlbc完成签到,获得积分10
1秒前
西哥完成签到 ,获得积分10
5秒前
神勇的天问完成签到 ,获得积分10
14秒前
菠萝谷波完成签到 ,获得积分10
17秒前
美丽觅夏完成签到 ,获得积分10
17秒前
TT完成签到 ,获得积分10
17秒前
笨笨忘幽完成签到,获得积分10
20秒前
是小小李哇完成签到 ,获得积分10
21秒前
科研通AI2S应助Billy采纳,获得10
24秒前
洁净的静芙完成签到 ,获得积分10
28秒前
zhang发布了新的文献求助50
35秒前
迈克老狼完成签到 ,获得积分10
36秒前
钟声完成签到,获得积分0
38秒前
博士搏斗完成签到 ,获得积分10
53秒前
巫马白亦完成签到,获得积分10
55秒前
飞云完成签到 ,获得积分10
55秒前
852应助自由老头采纳,获得10
1分钟前
zhang完成签到,获得积分10
1分钟前
1分钟前
繁荣的代秋完成签到 ,获得积分10
1分钟前
自由老头发布了新的文献求助10
1分钟前
脑洞疼应助SCINEXUS采纳,获得10
1分钟前
wanghao完成签到 ,获得积分10
1分钟前
Turbogao完成签到 ,获得积分10
1分钟前
LIGANG1111完成签到 ,获得积分10
1分钟前
1分钟前
liguanyu1078完成签到,获得积分10
1分钟前
卡卡完成签到,获得积分10
1分钟前
陈无敌完成签到 ,获得积分10
1分钟前
lingshan完成签到 ,获得积分10
1分钟前
星空完成签到 ,获得积分10
1分钟前
CLTTT完成签到,获得积分10
1分钟前
书生也是小郎中完成签到 ,获得积分10
2分钟前
柏忆南完成签到 ,获得积分10
2分钟前
wcw完成签到 ,获得积分10
2分钟前
维维完成签到 ,获得积分10
2分钟前
是我不得开心妍完成签到 ,获得积分10
2分钟前
Jonsnow完成签到 ,获得积分10
2分钟前
2分钟前
lhjct0313完成签到 ,获得积分10
2分钟前
高分求助中
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
Rechtsphilosophie 1000
Bayesian Models of Cognition:Reverse Engineering the Mind 888
Le dégorgement réflexe des Acridiens 800
Defense against predation 800
XAFS for Everyone (2nd Edition) 600
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3134020
求助须知:如何正确求助?哪些是违规求助? 2784845
关于积分的说明 7768824
捐赠科研通 2440241
什么是DOI,文献DOI怎么找? 1297353
科研通“疑难数据库(出版商)”最低求助积分说明 624925
版权声明 600792