清華新聞網(wǎng)4月15日電 藥物研發(fā)的流程通常漫長(zhǎng)且成本高昂，人工智能技術(shù)通過(guò)對(duì)藥物數(shù)據(jù)的快速分析建模，成為了加速藥物研發(fā)過(guò)程的重要技術(shù)手段。然而，現(xiàn)有的深度學(xué)習(xí)模型決策過(guò)程不透明，可解釋性不足，無(wú)法可靠地應(yīng)用在藥物研發(fā)中。此外，模型還依賴(lài)于大量的有標(biāo)簽數(shù)據(jù)，但在藥物研發(fā)的過(guò)程中，數(shù)據(jù)獲取通常伴隨著高昂的成本和漫長(zhǎng)的時(shí)間等待，這導(dǎo)致藥物標(biāo)簽數(shù)據(jù)極為稀缺。常見(jiàn)模型在這種場(chǎng)景下存在預(yù)測(cè)準(zhǔn)確性低、數(shù)據(jù)需求量大、可解釋能力弱的局限。為了應(yīng)對(duì)這一問(wèn)題，清華大學(xué)電子工程系姚權(quán)銘助理教授課題組以小樣本學(xué)習(xí)技術(shù)作為突破口，研究提升模型樣本利用效率的算法，使深度學(xué)習(xí)模型能快速泛化到只有少量有標(biāo)簽樣本的藥物研發(fā)相關(guān)任務(wù)上。
圖1.（a）人工智能助力藥物研發(fā)的重要挑戰(zhàn)：可解釋性不足和樣本數(shù)量稀缺（b）現(xiàn)有的藥物研發(fā)相關(guān)任務(wù)研究方法存在的局限
藥物研發(fā)相關(guān)的典型任務(wù)——藥物互作用（Drug-Drug Interaction，DDI）預(yù)測(cè)是臨床研究的重要部分。目前大約有6.7%的住院患者面臨藥物副反應(yīng)的困擾，大約有0.32%的住院患者面臨藥物副反應(yīng)帶來(lái)的生命危險(xiǎn)。挖掘潛在的藥物間相互作用對(duì)于加速藥物研發(fā)過(guò)程和加強(qiáng)人民健康保障都有重要意義。該任務(wù)可以建模為藥物-藥物互作用網(wǎng)絡(luò)上的鏈路預(yù)測(cè)問(wèn)題。然而，由稀缺的藥物標(biāo)簽數(shù)據(jù)構(gòu)建的藥物-藥物互作用網(wǎng)絡(luò)非常稀疏，傳統(tǒng)數(shù)據(jù)驅(qū)動(dòng)方法在這種場(chǎng)景下表現(xiàn)不佳。
圖2.（a）小樣本學(xué)習(xí)技術(shù)啟發(fā)的基于流的圖神經(jīng)網(wǎng)絡(luò)（EmerGNN）的框架（b）基于流的圖神經(jīng)網(wǎng)絡(luò)（EmerGNN）在預(yù)測(cè)準(zhǔn)確性、數(shù)據(jù)需求量、可解釋能力方面與基線(xiàn)方法的比較
針對(duì)藥物標(biāo)簽數(shù)據(jù)稀缺的問(wèn)題，課題組采用了小樣本學(xué)習(xí)的方法，在醫(yī)藥領(lǐng)域首次提出了有效的深度學(xué)習(xí)方法——“藥物相互作用的知識(shí)子圖學(xué)習(xí)方法（Knowledge Subgraph Learning for Drug-drug Interaction Prediction，KnowDDI）”和“基于流的圖神經(jīng)網(wǎng)絡(luò)與生物醫(yī)學(xué)網(wǎng)絡(luò)的新興藥物相互作用預(yù)測(cè)（Emerging Drug Interaction Prediction by Flow-based Graph Neural Network，EmerGNN）”，這兩種方法分別高效地實(shí)現(xiàn)了現(xiàn)有藥物潛在互作用的發(fā)掘和新藥物間反應(yīng)的預(yù)測(cè)。
課題組在原始藥物間反應(yīng)圖譜的基礎(chǔ)上引入了生物醫(yī)藥網(wǎng)絡(luò)（Biomedical Network），利用其中豐富的醫(yī)藥學(xué)信息，構(gòu)建了新的醫(yī)藥圖譜，有效解決了監(jiān)督數(shù)據(jù)不足的問(wèn)題。醫(yī)藥圖譜信息豐富，但同時(shí)也伴隨著眾多的噪聲，準(zhǔn)確預(yù)測(cè)藥物互作用需要排除噪聲干擾，挖掘有效信息。因此，課題組從醫(yī)藥圖譜中提取目標(biāo)藥物之間的關(guān)系路徑作為子圖，并為路徑設(shè)置注意力權(quán)重，基于注意力機(jī)制建立基于流的圖神經(jīng)網(wǎng)絡(luò)EmerGNN，以此完成關(guān)鍵知識(shí)的提取與知識(shí)傳遞，建立了藥物互作用預(yù)測(cè)的完整框架（圖2.a）。在公共數(shù)據(jù)集上的大量實(shí)驗(yàn)表明，提出的EmerGNN在預(yù)測(cè)準(zhǔn)確性和可解釋能力上顯著優(yōu)于基線(xiàn)方法，數(shù)據(jù)需求量顯著降低（圖2.b）。這些成果為藥物研發(fā)中的藥物互作用預(yù)測(cè)提供了有效的算法和工具，增強(qiáng)了算法的可解釋性，展現(xiàn)了人工智能在醫(yī)藥領(lǐng)域的重要輔助作用。這些研究成果有望應(yīng)用于候選藥物篩選和臨床試驗(yàn)，對(duì)于加速藥物研發(fā)和促進(jìn)人類(lèi)健康具有重大意義。
相關(guān)研究成果以“藥物相互作用的知識(shí)子圖學(xué)習(xí)方法”（Accurate and Interpretable Drug-Drug Interaction Prediction Enabled by Knowledge Subgraph Learning）為題，近期發(fā)表于《自然·通訊（醫(yī)藥）》（Nature Communication Medicine）。百度研究員王雅晴博士為論文第一作者，姚權(quán)銘為論文通訊作者。以“基于流的圖神經(jīng)網(wǎng)絡(luò)與生物醫(yī)學(xué)網(wǎng)絡(luò)的新興藥物相互作用預(yù)測(cè)”（Emerging Drug Interaction Prediction by Flow-based Graph Neural Network）為題，近期發(fā)表于《自然·計(jì)算科學(xué)》（Nature Computational Science），第四范式（北京）技術(shù)有限公司研究員張永祺博士為論文第一作者，姚權(quán)銘為論文通訊作者。研究得到國(guó)家自然科學(xué)基金項(xiàng)目的支持。
論文鏈接：
https://www.nature.com/articles/s43856-024-00486-y.pdf
https://www.nature.com/articles/s43588-023-00558-4
供稿：電子系
編輯：李華山
審核：郭玲
