【TPAMI2021】用于预测药物-药物不良相互作用的多属性判别表示学习

电子科大在IEEE人工智能、模式识别领域国际顶尖期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence》（IEEE TPAMI）发表题为“Multi-Attribute Discriminative Representation Learning for Prediction of Adverse Drug-Drug Interaction”的研究论文。朱嘉静为论文第一作者，软件学院为第一作者单位和通讯单位，合作单位为北京明略科学院。该研究工作是软件学院作为第一作者单位和通讯单位发表的首篇IEEE TPAMI论文，也是该期刊首次刊登药物间不良反应预测模型论文。

图1：药物间不良反应预测模型整体框架。

模型分为两个阶段：1. 代表药物和判别性特征选择；2. 共有特征和特有特征表示学习

药物间不良反应是指两种药物组合引发药物药理性质改变，造成患者身体不适和严重不良反应。药物间不良反应每年引起大量患者入院和死亡，传统基于体外和临床实验的药物间不良反应预测需要大量的时间和人力，不宜开展大规模的不良反应预测。基于药物属性的不良反应预测通过分析药物间属性关系，探索药物间不良反应的隐含规律，揭示未知不良反应，提升临床用药安全性。

本研究引入药物多种属性特征（分子结构、靶点、酶、通路、副作用、表型、基因和疾病），首先设计基于矩阵CUR分解和图流形规则化的代表药物和判别性特征选择模型，实现药物属性特征表示的重构（图2）；然后基于重构后的药物属性表示，提出基于对抗生成网络的药物属性共有特征和特有特征学习框架（图3），探索属性表示的一致性信息和补充性信息，提升药物间不良反应的准确性。考虑到提出的代表药物和判别性特征选择模型目标函数是NP难问题，作者使用ADMM算法进行求解，并在理论上证明其收敛性。最后，通过真实药物间不良反应数据集验证算法的有效性，并揭示不同属性组合对药物间不良反应预测结果的影响。

图2：基于矩阵CUR分解和图流形规则化的代表药物和判别性特征选择。

在药物分子结构矩阵中选择得到代表药物和判别性分子子结构

图3：基于对抗生成网络的药物属性共有特征和特有特征学习框架

IEEE TPAMI是人工智能、模式识别、计算机视觉领域的国际顶尖期刊，2020-2021年度影响因子16.389，该期刊覆盖计算机视觉、模式分析与识别、机器智能等研究领域。

青年教师朱嘉静的主要研究方向为基于人工智能的药物不良反应交叉学科研究，包括药物不良反应预测、中药配伍禁忌挖掘和预测和药物结构设计等领域，涉及深度神经网络、对抗生成网络、特征选择、多任务学习等人工智能研究热点，五年内录用和发表学术论文（SCI检索）近20篇，第一作者9篇。针对药物间不良反应预测问题，朱嘉静博士以第一作者已在IEEE Transactions on Knowledge and Data Engineering（IF：6.977）上发表题为“DGDFS: Dependence Guided Discriminative Feature Selection for Predicting Adverse Drug-Drug Interaction”；在Knowledge-Based Systems（IF：8.038）上发表题为“MTMA: A Multi-Task Multi-Attribute Learning Model for Predicting Adverse Drug-Drug Interaction”；在IEEE Journal of Biomedical and Health Informatics（IF：5.772）上发表题为“An Attribute Supervised Probabilistic Dependent Matrix Tri-Factorization Model for the Prediction of Adverse Drug-Drug Interaction”。所提方法从计算模型角度建立基于属性的药物间不良反应关系以预测不良反应，实验结果取得良好结果。

论文链接：https://ieeexplore.ieee.org/document/9653822