基于知识图谱嵌入和卷积-LSTM网络的药物相互作用预测

药物之间的相互作用可能会导致严重的医疗伤害。正确预测所谓的药物相互作用（DDI）不仅可以减少这些病例，还可以降低药物开发成本。目前，大部分与药物相关的知识来源于临床评估和上市后监测，导致信息量有限。现有的数据驱动预测方法通常依赖于单一信息源，而利用多个信息源的信息将有助于改善预测。机器学习（ML）技术被使用，但这些技术通常无法处理数据中的偏斜性。因此，我们提出了一种新的基于多数据源的药物相互作用预测的机器学习方法。为此，我们使用了来自DrugBank、PharmGKB和KEGG药物的12000个药物特征，这些特征通过知识图谱（KGs）进行整合。为了训练我们的预测模型，我们首先使用各种嵌入方法对图中的节点进行嵌入。我们发现表现最佳的组合是使用PyTorch-BigGraph（PBG）创建的ComplEx嵌入方法与卷积-LSTM网络和经典机器学习预测模型。三种最佳分类器的模型平均集成方法在5折交叉验证测试中分别达到0.94、0.92和0.80的AUPR、F1 F1-score和MCC。