[论文解读] SafeDrug: Dual Molecular Graph Encoders for Safe Drug Recommendations.

Chaoqi Yang, Cao Xiao+3 more|arXiv (Cornell University)|May 5, 2021

Computational Drug Discovery Methods参考文献 26被引用 9

一句话总结

SafeDrug 提出了一种双编码器图神经网络模型，显式结合药物分子结构与药物-药物相互作用（DDI），以实现更安全的药物推荐。通过结合全局 MPNN 与局部二部图消息传递，并引入可控的 DDI 损失函数，该模型在先前方法的基础上将 DDI 减少了 19.43%，同时将 Jaccard 相似度提升了 2.88%，且训练速度提升 14%，推理速度提升 2 倍。

ABSTRACT

Medication recommendation is an essential task of AI for healthcare. Existing works focused on recommending drug combinations for patients with complex health conditions solely based on their electronic health records. Thus, they have the following limitations: (1) some important data such as drug molecule structures have not been utilized in the recommendation process. (2) drug-drug interactions (DDI) are modeled implicitly, which can lead to sub-optimal results. To address these limitations, we propose a DDI-controllable drug recommendation model named SafeDrug to leverage drugs' molecule structures and model DDIs explicitly. SafeDrug is equipped with a global message passing neural network (MPNN) module and a local bipartite learning module to fully encode the connectivity and functionality of drug molecules. SafeDrug also has a controllable loss function to control DDI levels in the recommended drug combinations effectively. On a benchmark dataset, our SafeDrug is relatively shown to reduce DDI by 19.43% and improves 2.88% on Jaccard similarity between recommended and actually prescribed drug combinations over previous approaches. Moreover, SafeDrug also requires much fewer parameters than previous deep learning-based approaches, leading to faster training by about 14% and around 2x speed-up in inference.

研究动机与目标

• 为解决现有基于人工智能的药物推荐系统忽略药物分子结构的问题。
• 显式建模药物-药物相互作用（DDI），而非将其隐式处理。
• 开发一种可调控的推荐系统，能够调节预测药物组合中的 DDI 水平。
• 在提升推荐准确度与安全性的同时，降低模型复杂度与推理时间。

提出的方法

• SafeDrug 采用全局消息传递神经网络（MPNN）对药物的整体分子拓扑结构进行编码。
• 利用局部二部图学习模块捕捉药物分子中的功能团级相互作用与局部连接性。
• 将全局与局部编码结果整合，生成全面的分子表征。
• 引入可控损失函数，在训练过程中惩罚高 DDI 组合，从而实现在推荐中对 DDI 水平的可调节控制。
• 双编码器架构支持分子表征与 DDI 敏感推荐的联合优化。
• 模型在电子健康记录数据上进行端到端训练，输入包含分子结构特征与已知 DDI 标签。

实验结果

研究问题

• RQ1 显式建模药物-药物相互作用（DDI）是否能提升基于人工智能的药物组合推荐的安全性与准确性？
• RQ2 在多大程度上，整合分子结构信息可提升药物推荐系统的表现？
• RQ3 可控损失函数是否能有效调节推荐药物组合中的 DDI 水平，同时不损害推荐质量？
• RQ4 与以往基于深度学习的模型相比，SafeDrug 在训练速度、推理效率与参数效率方面表现如何？

主要发现

• 与先前方法相比，SafeDrug 在基准数据集上将药物-药物相互作用（DDI）率降低了 19.43%。
• 与现有方法相比，SafeDrug 将推荐组合与实际组合之间的 Jaccard 相似度提升了 2.88%。
• 与以往基于深度学习的模型相比，SafeDrug 的训练时间缩短约 14%。
• 由于模型复杂度降低，推理速度相比先前方法提升了约 2 倍。
• 与以往基于深度学习的推荐模型相比，SafeDrug 所需参数显著更少。
• 分子结构信息与显式 DDI 建模的融合，使药物组合预测更具临床安全性与准确性。