欢迎访问鸭脖官网App入口生命学院网站,新版本上线试运行中!ENGLISH  学校主页  联系我们    
 首页  学院概况  机构设置  师资队伍  学科建设  教学工作  科学研究  重点实验室  党群工作  学生工作  人才培养  人才引进  招生就业 
新闻中心
 院系新闻 
 学术交流 
 通知公告 
院系新闻
Position: 首页 > 新闻中心 > 院系新闻 > Content
生命学院施建宇教授课题组发表“不对称药物相互作用”深度学习预测模型
  审核人:

近期,鸭脖官网App入口生命学院施建宇教授课题组在生物信息学期刊Briefings in bioinformatics(中科院1区Top期刊,IF=11.6)上发表了题为“Directed graph attention networks for predicting asymmetric drug-drug interactions”的生物信息交叉学科研究性论文(论文链接:javascript:;)。鸭脖官网App入口软件学院硕士生冯艺洋为该论文的第一作者,生命学院施建宇教授及计算机学院于会副教授为该论文的共同通讯作者。该研究成果得到了国家自然科学基金和陕西省重点研发计划等科研项目等资助。

下文简要介绍了该论文的主要内容。临床发现,当多个药物同时被服用,药物之间可能会发生意料之外的相互作用(Drug-Drug Interaction,DDI)。也就是说,一种药物的药代动力学或药效动力学被另一种药物改变。这种情况会增加患者不良反应甚至死亡的风险。传统的基于化学实验的方法具有成本高、繁琐、规模太小等原因,限制了DDI检测范围和效率。基于机器学习技术的DDI预测方法能够快速筛选可能的DDI,给医疗工作者后续提供帮助和指导。虽然一些深度学习方法已被提出用于药物药物相互作用的预测,但这些算法都忽略了DDI不对称性。这种特性进一步决定了多药治疗中的用药顺序。在很多临床治疗之前,需要明确正确的用药顺序,这对对疗效和安全性起着至关重要的影响(图1)。

针对不对称DDI,本论文设计了一个图神经网络模型,命名为有向图注意力网络(DGAT),来预测潜在的不对称DDI(图2)。该模型的预测性能在北美药物标准数据库DrugBank上得以验证。根据预测得分,在排名最高的前10个药物对中,有7个DDI被成功预测正确。

论文引用信息:

Yi-Yang Feng, Hui Yu, Yue-Hua Feng, Jian-Yu Shi*. Directed graph attention networks for predicting asymmetric drug–drug interactions, Briefings in Bioinformatics, 2022;bbac151,javascript:;(文/图:冯艺洋、施建宇;审核:杨慧)

Close Window

友情链接:
地址:陕西省西安市友谊西路127号鸭脖官网App入口  联系电话:029-88460332  传真:029-88460332