近期，数据科学学院于彬教授团队在人工智能驱动药物发现研究领域再获新进展，在人工智能领域顶级期刊IEEE Transactions on Neural Networks and Learning Systems发表题为“A Unified Differential Denoising Learning Framework With a Pre-Trained Model and Fuzzy Graph Networks for Drug–Drug Interaction Prediction”的研究论文。
随着现代医学发展，联合用药已经成为临床治疗的重要方式之一。然而，多种药物在患者体内同时存在时，可能产生相互作用，即药物-药物相互作用(Drug-Drug Interaction,DDI)。DDI可能导致药物疗效减弱、毒副作用增强，甚至引发严重的不良药物事件，对患者的生命安全构成严重威胁。新药的大量上市使得药物组合的数量爆炸式增长，通过传统临床或者实验室湿实验来验证并筛选所有DDI组合在时间和成本上都变得极为困难。因此，开发更高效、精准的计算方法来预测未知DDI，已经成为生物信息学领域至关重要且极具挑战性的研究课题。近年来，得益于强大的端到端表征学习优势与高效的拟合性能，深度学习方法在DDI预测中展现出巨大潜力。现有主流方法在特征提取上各具优势，但它们主要建立在一个共同的潜在前提之上：将药物分子或知识图谱视为静态的离散结构。这种确定性的建模方式虽然计算高效，但在处理复杂生物医药数据方面，现有方法似乎仍面临一定挑战。从生物化学的角度来看，分子结构往往表现出一种固有的不确定性。此外，除了数据本身的不确定性，特征提取过程中的信号干扰也是值得关注的问题。在利用基于注意力机制的模型处理长序列分子特征时，标准注意力机制可能会面临难以精准聚焦药效团核心区域的挑战，从而产生注意力噪声。这种噪声可能会稀释真正决定相互作用的关键特征，进而影响模型的判别能力。
为突破上述双重局限，研究团队提出一种探索性框架——UDPF-DDI，该框架采用多视角建模策略，分别从药物内部化学环境、外部网络拓扑和高维特征降噪三个视角进行学习。首先，对药物分子采用多源特征表示，利用大规模分子预训练模型Uni-Mol2提取药物高维特征表示，并结合RDKit获取药物低维图结构。其次，通过一个并行的三通道编码器，利用模糊图卷积神经网络捕捉分子内部化学环境与外部网络拓扑的高阶模糊特征，借助差分Transformer对分子预训练模型生成的高维3D原子特征进行提纯与降噪。然后，通过图读出和自适应融合操作对三通道输出进行加权整合，获得最终药物对相互作用分数。实验结果表明，在多个真实二分类和多分类数据集上的五折交叉验证结果表明，UDPF-DDI相较于多种前沿基线模型，在各项评估指标上均取得显著性能提升，尤其在处理数据不确定性和药物特征降噪方面展现出卓越的能力。值得一提的是，通过原子特征可视化，UDPF-DDI模型展现出卓越的构效关系捕获能力，能够有效从微观原子层面解析导致不同类型DDI的关键理化特征。该框架创新地融合模糊图网络、差分注意力和大规模分子预训练模型，为药物-药物相互作用预测任务提供了一个全新、强大的解决方案。
陈卓副教授为论文第一作者，于彬教授为通讯作者，好博·体育(中国)官方网站 - HAOBO SPORTS为第一完成单位。研究工作得到了国家自然科学基金面上项目、山东省自然科学基金面上项目的资助。
论文链接：https://doi.org/10.1109/TNNLS.2026.3705863.
