保守的神经收集仿照天然界的生物神经收集，由很多神经元以复杂的体例毗连而成，一般由输入层、躲藏层和输出层构成。正在DDI预测中，凡是正在将药物输入神经收集之前对其进行变换或特征提取。

　　按照输入数据的类型，将基于图神经收集（GNN）的方式分为两类：基于图的GNN和基于联系关系图的GNN。基于图的GNN利用药物图做为模子输入，并通过RDKit将药物SMILES序列暗示转换为图。基于联系关系图的GNN模子输入一般为DDI图，此中包含药物、DDI或副感化等相关消息。大大都现有的方式都是基于图，可是基于联系关系图的方式能够考虑药物布局之外的特征，从而进行更全面的DDI预测。

　　由教育部从管、高档教育出书社从办的《前沿》（Frontiers）系列英文学术期刊，以收集版和印刷版向全球刊行。系列期刊包罗根本科学、生命科学、工程手艺和人文社会科学四个从题，是我国笼盖学科最普遍的英文学术期刊群，此中12种被SCI收录，其他也被A&HCI、Ei、MEDLINE或响应学科国际权势巨子检索系统收录，具有必然的国际学术影响力。系列期刊采用正在线优先出书体例，文章以最快速度颁发。

　　药物-药物彼此感化(DDI)预测是药物平安性研究的环节使命，识别潜正在的DDI有帮于摸索结合医治背后的机制。保守的DDI湿化学尝试既繁琐又耗时，了DDI预测的效率。因而，开辟高效的计较方式来检测药物间的彼此感化尤为主要。跟着深度进修的成长，学者们提出了浩繁基于深度进修的DDI预测计较模子。取保守机械进修比拟，深度进修能够显著提高DDI预测机能，可以或许扩展到大规模数据集，并接管多种数据类型做为输入，从而使DDI预测愈加高效和精确。

　　近期，华中农业大学章文/刘世超课题组正在Quantitative Biology期刊颁发了一篇标题问题名为“Deep learning for drug‐drug interaction prediction！ A comprehensive review”的综述文章。文章对基于深度进修的药物-药物彼此感化预测研究进展进行了回首，包罗基于保守神经收集的方式、基于图神经收集的方式、基于学问图谱嵌入的方式和基于多模态进修的方式，并指出了当前研究面对的挑和取将来可能的研究标的目的。

　　出格声明：本文转载仅仅是出于消息的需要，并不料味着代表本网坐概念或其内容的实正在性；如其他、网坐或小我从本网坐转载利用，须保留本网坐说明的“来历”，并自傲版权等法令义务；做者若是不单愿被转载或者联系转载稿费等事宜，请取我们联系。

　　学问图谱（KG）是多关系数据的图布局暗示，包含丰硕的语义消息和学问现实。KG以三元组形式存储实体及其关系（头实体、关系、尾实体），例如，（DRUG1，关系类型，DRUG2），此中头实体（DRUG1）通过谓词关系（关系类型）毗连到尾实体（DRUG2）。凡是用于DDI预测的数据库，如DrugBank和KEGG，因而能够将其描述为KGs。通过KG能够获得更多的生物联系关系消息，用于DDI预预测。现有的KG嵌入方式可分为三类！基于翻译的方式。

　　虽然深度进修正在DDI预测范畴取得了显著进展，但仍面对数据稀少性、稀有DDI事务和模子可注释性不脚等挑和。将来的研究能够摸索操纵匹敌性进修来优化数据集，操纵其他生物收集做为补凑数据源以缓解收集稀少性问题；引入小样本进修和零次进修来处置稀有DDI事务；开辟更具可注释性的DDI预测模子，以提高模子的精确性、靠得住性和可托度。

　　多模态深度进修将多种药物特征做为分歧模态，并将它们连系起来进行DDI预测。药物具有多种取其相关联的实体特征，如靶标、酶和感化通等。同时，药物具有多种维度的布局特征，如一维SMILES序列、二维图、三维构象图等。考虑多种特征能够正在必然程度上获得较好的DDI预测机能。

　　Quantitative Biology （QB）期刊是由大学、大学、高教出书社结合开办的全英文学术期刊。QB次要登载生物消息学、计较生物学、系统生物学、理论生物学和合成生物学的最新研究和前沿进展，并为生命科学取计较机、数学、物理等交叉研究范畴打制一个学术程度高、可读性强、具有全球影响力的交叉学科期刊品牌。

　　本文综述了基于深度进修的药物-药物彼此感化预测研究进展。文章概述了药物互做的道理及研究现状（图1）；接着引见了四类支流的基于深度进修的药物-药物彼此感化预测方式；最初总结了当前研究面对的挑和，同时指出了将来可能的研究标的目的。