使用图卷积网络对多药副作用进行建模（Modeling polypharmacy side effects with graph convolutional networks）

题目： Modeling polypharmacy side effects with graph convolutional networks

摘要：

使用药物组合，称为多药治疗，是常见的治疗复杂疾病或共存条件的患者。然而，多药治疗的一个主要后果是给病人带来更高的副作用风险。多药副作用是由于药物与药物的相互作用而产生的，如果与另一种药物同时服用，其中一种药物的活性可能发生有利或不利的变化。药物相互作用的知识往往是有限的，因为这些复杂的关系是罕见的，通常不观察到相对较小的临床试验。因此，发现多药的副作用仍然是一个重要的挑战，对患者的死亡率和发病率有重大影响。

在这里，我们提出Decagon，一种多药副作用的建模方法。该方法构建了蛋白-蛋白相互作用、药物-蛋白靶标相互作用和多药副作用的多模态图，这些多药副作用被表示为药物-药物相互作用，其中每个副作用都是不同类型的边缘。Decagon是专门为处理具有大量边缘类型的多模态图而开发的。我们的方法开发了一个新的图卷积神经网络中的多关系链路预测。与局限于预测简单的药物-药物相互作用值的方法不同，Decagon可以预测特定药物组合临床表现出的确切副作用(如果有的话)。Decagon准确地预测了多药联合用药的副作用，超出基线69%。我们发现，它自动学习的副作用表示指示，共发生多药在病人。此外，Decagon模型特别适用于具有强大分子基础的多药副作用，而在主要是非分子副作用方面，由于能够跨边缘类型有效地共享模型参数，因此能够获得良好的性能。Decagon开辟了利用大量药物基因组和患者群体数据来标记和区分多药副作用的机会，以便通过正式的药理学研究进行后续分析。

作者简介：

Marinka Zitnik是斯坦福大学计算机科学博士后研究员，研究方向是生物医学领域的机器学习，主要研究生物医学实体之间的大型交互网络，利用这些网络，在数以百万计的实体之间进行数十亿次的交互，并开发出将机器学习与统计方法和网络科学相结合的新方法。