MMI-DDI：用于药物冷启动下药物相互作用预测的多模态相互影响框架

准确预测药物相互作用（DDI）对于安全的多药联合用药和药物警戒至关重要，但传统的实验方法仍需要大量资源。尽管深度学习推动了 DDI 预测的发展，但现有框架仍面临两个根本性局限：(1) 主要关注分子结构，而将其他关键的药理学模态（如靶点、酶）视为独立特征，忽视了单种药物内部以及药物之间的非对称相互影响；(2) 常用的数据集划分策略未能区分药物冷启动与标签冷启动，从而引入了评估偏差，掩盖了模型的真实泛化能力。为了解决这些局限性，我们提出了多模态相互影响药物相互作用（MMI-DDI）框架。MMI-DDI 在两个层面上明确挖掘并融合了非对称多模态相互影响：在单种药物内部（捕获单种药物内的模态内依赖性和模态间相互作用）以及药物之间（对药物对之间跨模态的双向非对称影响传播进行建模）。随后，将这些综合推导出的表征输入定制的多类型 DDI 预测器中。此外，我们构建了一个新的基准数据集，并开发了一种标签感知和药物感知的划分算法，以实现在标准和冷启动场景下的严格评估。我们在三项任务上进行了广泛的实验：标准预测、单药冷启动和双药冷启动。评估在四个数据集上进行，包括随机划分的数据集以及使用我们自动化划分算法构建的精选数据集。在所有设置中，MMI-DDI 在准确率、宏精确率和宏召回率方面均始终优于具有代表性的基线模型。此外，案例研究提供了可解释的药理学见解，而错误分析则指明了未来的改进方向。