一个基于图形注意力网络的空间分解方法用于药物重新定位

科学领域:

• 计算生物学是一种计算生物学.
• 药理学 药理学是指药理学的学科.
• 医学中的人工智能

背景情况:

• 计算药物重新定位通过识别现有药物的新用途来加速药物发现.
• 图形神经网络 (GNN) 在预测药物疾病关联方面表现有前途,但在特征表示和聚合方面面临挑战.
• 现有的GNN方法往往无法捕获更高阶的特征,并不一致地权重邻近节点,限制了预测准确性.

研究的目的:

• 开发一种先进的计算方法,使用图形神经网络重新定位药物.
• 解决当前GNN方法的局限性,包括特征空间融合和不充分的邻近节点权重.
• 提高药物疾病关联预测的准确性和效率.

主要方法:

• 提出了一个基于图表注意力网络的空间分解 (GATSD) 方法来重新定位药物.
• 在不同的子空间 (药物相似性,疾病相似性,药物疾病关联) 中初始化了药物和疾病的嵌入,使用空间分解.
• 采用图表注意力机制来测量关联范围和探索更高阶关系,并结合了针对性剩余连接以进行个性化特征传播.

主要成果:

• GATSD方法成功地减少了特征空间尺寸,并初始化了相关子空间中的嵌入.
• 图表注意力机制有效地捕获了更高阶的邻居关系和加权的关联.
• 在四个基准数据集上的实验表明,拟议的架构在药物重新定位预测准确性方面明显优于当前最先进的方法.

结论:

• 通过有效地学习药物和疾病的不同表征,GATSD方法为计算药物重新定位提供了一种优越的方法.
• 空间分解和图表注意力机制提高了准确预测药物疾病关联的能力.
• 这项工作为加速药物发现和开发提供了宝贵的工具.