MAGED:多模态注意力图学习与基因表达动态在TCM目标预测的知识图上
Fengming Chen1, Shichao Fang2, Ranran Zhao1
1State Key Laboratory for Quality Ensurance and Sustainable Use of Dao-di Herbs, National Resource Center for Chinese Materia Medica, China Academy of Chinese Medical Sciences, Beijing, 100700, P. R. China.
Journal of ethnopharmacology
|January 17, 2026
概括
这项研究引入了MAGED,这是一种新的框架,将传统医学知识与基因表达数据相结合,以准确预测草药向相互作用. 该模型显示了显著的改进,有助于草药发现和识别新的治疗点.
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.
- 生物信息学是一种生物信息学.
背景情况:
- 传统医学为药物发现提供了宝贵的见解,但将记录的效应与生物机制联系起来是具有挑战性的.
- 整合传统知识,临床症状和分子调节对于推进草药研究至关重要.
研究的目的:
- 开发MAGED,用于增强草药-目标交互 (HTI) 预测的多式图表注意力学习框架.
- 通过整合知识图和基因表达动态来提高准确性和可解释性.
主要方法:
- MAGED利用多个来源的数据:TCM特性,临床症状和基因表达动态.
- 多式融合编码器嵌入了草本属性,与功能表示相结合.
- 一个层次的图表注意力网络将症状与基因关联和调节途径联系起来.
主要成果:
- MAGED的表现明显优于基线方法,HR@10.的改善率为59.8%.
- 该模型在冷启动场景中表现出卓越的性能.
- 一个关于Scutellaria baicalensis的案例研究显示,80%的顶级预测目标得到了文献支持或验证.
结论:
- MAGED提供了一个准确的,可解释的框架来预测草药点相互作用.
- 它有效地将传统知识与现代分子证据相结合.
- 这种方法促进了草药机制的发现和新的治疗点的识别.
更多相关视频
03:37Generating the Transcriptional Regulation View of Transcriptomic Features for Prediction Task and Dark Biomarker Detection on Small Datasets
Published on: March 1, 2024
05:47Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
Published on: June 13, 2025
