AI医药论文笔记--MDNN: A Multimodal Deep Neural Network for Predicting Drug-Drug Interaction Events_[9]lyu t, gao j, tian l, et al. mdnn: a multimodal

MDNN：预测药物相互作用的多模态深度神经网络

一、研究背景？

现有方法很少关注 DDI 事件与其他多模式数据（如目标和酶）之间的潜在相关性。

提出了MDNN：设计了一个双通路框架，包括基于药物知识图 (DKG) 的通路和基于异构特征 (HF) 的通路，以获得药物多模态表示（GNN 层通过从 DKG 中提取结构信息和语义关系来学习药物表示 ）。最后，设计了一个多模态融合神经层来探索药物多模态表示之间的互补性。

二、模型？

• 问题构建：

  • DDI Matrix
    
  • 模型方法：

由两个主要路径组成：基于 DKG 的路径和基于 HF 的路径。

基于DKG的通路利用图神经网络在构建的药物知识图谱上提取药物之间的拓扑结构信息和语义关系。

基于 HF 的途径旨在提取预测信息来从不同的模态来提高学习模型的性能。

应用多模态融合神经层有效辅助结构信息和异构特征的联合表示学习，探索多模态数据的跨模态互补性。

• Drug Knowledge Graph

对于 DDI 矩阵中的每一种药物，收集 DrugBank 上与药物相关的实体，例如靶点、转运蛋白等。

关于尾部实体：

考虑药物和载体之间的一般功能从而形成三元组，例如药物DB05812有一个载体血清白蛋白P02768，而血清白蛋白的一般功能叫做有毒物质结合（toxic substance binding），我们就可以得到这样一个三元组：<DB05812, toxic substance binding, P02768>

GNN层

三、实验部分？

• 实验结果对比
  
• 消融实验
  
• 能看到MDNN比其他两种仅仅只考虑一种模态的模型效果要更好。

四、总结与思考？

（a）MDNN从多模态数据中学习表示，并从多个源中挖掘模态间的相似性。

（b） MDNN利用药物知识图的拓扑结构信息和语义关系