开启掘金成长之旅！这是我参与「掘金日新计划 · 12 月更文挑战」的第5天，点击查看活动详情
MDDI-SCL: predicting multi-type drug-drug interactions via supervised contrastive learning
期刊：Journal of Cheminformatics November 2022
DOI：10.1186/s13321-022-00659-8
主要内容：提出了一种基于监督对比学习的方法MDDI-SCL，该方法由三级损失函数实现，用于预测多类型的DDIs。
对于有监督的对比学习，属于同一类的样本在嵌入空间中被拉在一起，而同时推开来自不同类的样本。
具体方法：MDDI-SCL
- 药物特征编码与均方差损失模块：将药物数据输入到自动编码器中，通过均方误差得到每种药物的低维潜在特征【利用自我注意机制和自动编码器学习药物的潜在特征】
多头自关注层可以聚焦于更重要的药物特征，并且自动编码器进一步执行特征降维。因此，通过药物特征编码模块可以获得更低维、更好的药物表示。利用均方误差损失来更新特征编码模块的参数。
- 药物潜在特征融合与监督对比损失模块：同时组合药物对的低维特征及高维特征，然后进一步融合得到药物对的潜在特征。利用有监督的对比学习损失函数来更新药物潜在特征融合模块的参数【多尺度特征融合和潜在特征降维】
监督对比损失可以使同一类型DDIs的特征更加相似，而不同类型的DDIS的特征更加不同。
- 多类型DDI预测和分类损失模块：输入每个药物对的潜在特征，预测其相互作用类型，并根据分类损失函数更新模型参数
实验及结果
两个数据集，三种实验，相应任务中的新药表示在训练集中缺失，但在测试集中存在：
- 预测已知药物之间的相互作用类型（task1）
- 预测已知药物与未知药物（新药）之间的相互作用类型（task2）
- 预测未知药物之间的相互作用类型（task3）
