MDNN：一种用于药物-药物反应预测的多模态深度神经网络_多模态mdnn

背景介绍

模型来自文章：“MDNN: A Multimodal Deep Neural Network for Predicting Drug-Drug Interaction Events”，文章提出了一个用于DDI（药物-药物反应，drug-drug interaction）预测的多模态深度神经网络MDNN，即Multimodal Deep Neural Network。文章设计了一个基于药物知识图（Drug Knowledge Graph，DKG）的通道和基于异质特征（Heterogeneous Feature，HF）的通道，通过这个双通道框架来获取药物的多模态特征表达。最后，通过一个多模态融合神经网络来探索药物多模态表征之间的互补关系。

背景：随着药物种类的快速增长，在多药联合治疗的情况下，药物安全管理变得尤为重要。在同时给药的情况下，经常发生药物-药物相互作用（drug - drug Interactions，DDI），这可能导致药物不良反应，造成伤害和巨大的医疗费用。因此，准确预测DDI成为临床重要任务，有助于临床医生做出有效决策，制定合适的治疗方案。目前已有许多基于人工智能的模型用于DDI预测。现有的研究方法较少关注DDI与target、酶（enzymes） 等多模态数据之间的潜在相关性。此外，它们也没有考虑到多通道数据的互补性。

为了解决上述局限性，论文提出了一个多模态深度神经网络（MDNN）框架旨在针对DDI进行有效的多模态数据的联合表示学习。作者设计了一个基于药物知识图（DKG）和基于异质性特征（HF）的双通道框架来获取药物的多模态表征。受到图神经网络学习图结构信息的启发，作者提出了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网络，通过探索药物多模态表征之间的互补关系来预测DDI。

模型描述

模型架构展示

模型的架构如上图，由两个主要通道组成：基于DKG的通道和基于HF的通道。基于DKG的通道利用图神经网络在构建的药物知识图上提取药物之间的拓扑结构信息和语义关系。基于HF的通道旨在从不同的模式中提取预测信息，以提高学习模型的性能。采用多模态融合神经层有效地辅助结构信息和异质性特征的联合表示学习，以探索多模态数据的交叉互补性。

计算对象介绍

论文提出几个将在问题表述中使用的基本定义：

• DDI Matrix：将DDI event记录为$\gamma \in y_{ij}^{N_d\times N_d}$，$N_d$表示药物的数量， y i j ∈ { 0 , y 1 , . . . , y N } y_{ij}\in\left\{0,y_{1},...,y_{N}\right\} yij​∈{ 0,y1​,...,yN​}代表药物$d_i$与$d_j$混合后的反应属于哪一类，特别的，如果$y_{ij}=0$则意味着两类药物不会有反应；
• DKG：本文考虑了一种用于DDI预测的特殊知识图，称为药物知识图： G = { ( d , r d t , t ) ∣ d ∈ D , r d t ∈ R , t ∈ T , D ∩ T = ⊘ } G=\left\{(d,r_{dt},t)|d\in D,r_{dt}\in R,t\in T,D\cap T=\oslash\right\} G={ (d,rdt​,t)∣d∈D,rdt​∈R,t∈T,D∩T=⊘}其中，$D$和$T$分别表示药物集合，以及与药物相关的尾部实体（tail entities）的集合；$R$表示药物和尾部实体之间的关系集；
• HF：异构特征包括目标特征、子结构特征和酶特征。 表示如下： X d = { X t , X s , X e } ∈ R N d × ( N t + N s + N e ) X_{d}=\left\{X_{t},X_{s},X_{e}\right\}\in R^{N_{d}\times(N_{t}+N_{s}+N_{e})} Xd​={ Xt​,Xs​,Xe​}∈RNd​×(Nt​+Ns​+Ne​)其中，$X_t\in R^{N_d\times N_t}$，$X_s\in R^{N_d\times N_s}$，$X$