DDIPrompt: Drug-Drug Interaction Event Prediction based on Graph Prompt Learning

要約

最近、グラフ ニューラル ネットワークは、薬物分子内および薬物分子間の原子と官能基間の複雑な関連をモデル化する能力に優れているため、薬物間相互作用 (DDI) の予測においてますます普及してきています。
しかし、それらは依然として 2 つの重要な課題によって妨げられています。(1) 非常に不均衡なイベント分布の問題。これは、特定の相互作用が大幅に過小評価されている医療データセットでは一般的ですが重大な問題です。
この不均衡は、正確で信頼性の高い DDI 予測を達成する上で大きな障壁となります。
(2) まれな事象のラベル付きデータの不足。これは、まれではあるが潜在的に重要な相互作用が、入手可能なデータが限られているためにしばしば見落とされたり、十分に研究されていない医療分野で蔓延している問題です。
これに応えて、グラフ プロンプトの最近の進歩にインスピレーションを得た革新的な万能薬である DDIPrompt を提供します。
私たちのフレームワークは、最小限のダウンストリーム データで効率的にデプロイできる、事前トレーニングされたモデルからの固有の知識を活用することで、これらの問題に対処することを目的としています。
具体的には、最初の課題を解決するために、DDIPrompt は構造的近接性と相互作用的近接性の両方を考慮して、薬物間の拡張リンクを採用しています。
分子内構造と分子間相互作用を理解する階層的な事前トレーニング戦略を特徴としており、薬物特性の包括的かつ公平な理解を促進します。
2 番目の課題では、推論中にプロトタイプで強化されたプロンプト メカニズムを実装します。
各カテゴリの数ショットの例によって洗練されたこのメカニズムは、豊富な事前トレーニング知識を効果的に活用して、特にこれらのまれではあるが重要なインタラクションの予測精度を高めます。
2 つのベンチマーク データセットの包括的な評価により、特に稀な DDI イベントの予測において DDIPrompt の優位性が実証されました。

要約(オリジナル)

Recently, Graph Neural Networks have become increasingly prevalent in predicting adverse drug-drug interactions (DDI) due to their proficiency in modeling the intricate associations between atoms and functional groups within and across drug molecules. However, they are still hindered by two significant challenges: (1) the issue of highly imbalanced event distribution, which is a common but critical problem in medical datasets where certain interactions are vastly underrepresented. This imbalance poses a substantial barrier to achieving accurate and reliable DDI predictions. (2) the scarcity of labeled data for rare events, which is a pervasive issue in the medical field where rare yet potentially critical interactions are often overlooked or under-studied due to limited available data. In response, we offer DDIPrompt, an innovative panacea inspired by the recent advancements in graph prompting. Our framework aims to address these issues by leveraging the intrinsic knowledge from pre-trained models, which can be efficiently deployed with minimal downstream data. Specifically, to solve the first challenge, DDIPrompt employs augmented links between drugs, considering both structural and interactive proximity. It features a hierarchical pre-training strategy that comprehends intra-molecular structures and inter-molecular interactions, fostering a comprehensive and unbiased understanding of drug properties. For the second challenge, we implement a prototype-enhanced prompting mechanism during inference. This mechanism, refined by few-shot examples from each category, effectively harnesses the rich pre-training knowledge to enhance prediction accuracy, particularly for these rare but crucial interactions. Comprehensive evaluations on two benchmark datasets demonstrate the superiority of DDIPrompt, particularly in predicting rare DDI events.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google