MKAN-MMI:通过掩盖图形自编码器和KANs赋予传统医学-微生物相互作用预测的权力

科学领域:

• 计算生物学是一种计算生物学.
• 人工智能在药物发现中的作用
• 微生物耐药性研究研究

背景情况:

• 微生物对传统药物的耐药性日益增长,需要新的治疗策略.
• 现有的人工智能 (AI) 模型对药物微生物相互作用 (MMIs) 存在稀疏数据,噪音和不良概括性的问题.
• 过度依赖特定的数据特征限制了当前人工智能方法在MMI预测中的有效性.

研究的目的:

• 开发一个创新的MMI预测模型,提高准确性,概括性和可解释性.
• 解决当前人工智能模型在处理MMI分析中的稀疏数据和噪声方面的局限性.
• 提高对复杂的药物-微生物相互作用的理解,以开发新的药物.

主要方法:

• 将Kolmogorov-Arnold网络 (KAN),独立子空间和协作解码集成到一个掩盖图形自编码器 (Mask GAE) 框架中.
• 应用伯努利分布对药物-微生物图的随机掩盖,以推进自我监督训练和减少噪音.
• 利用独立的子空间技术在图形神经网络 (GNN) 和KAN中增强特征表达,以改善非线性映射和可解释性.

主要成果:

• 使用KAN开发的Mask GAE框架显著提高了MMI预测任务的准确性,概括性和可解释性.
• 该模型在三个公共数据集中,与现有的领先模型相比,表现出优越的性能.
• 使用的技术有效地减少了噪音影响和信息丢失,提高了模型的预测能力.

结论:

• 这种新型的人工智能模型为预测药物与微生物相互作用提供了一种强大而可解释的方法.
• 这一框架为开发针对抗菌素耐药性的新治疗策略提供了有希望的方向.
• 增强模型的性能和代码/数据的可访问性促进了MMI预测的进一步研究.