预测药物-药物相互作用（DDI）在药物推荐和发现中扮演着至关重要的角色。然而，由于药物相互作用，实验室方法的成本昂贵且耗时。近年来，深度学习方法在药物推理中得到了广泛应用。尽管这些方法已经证明了其有效性，它们只能预测药物对之间的相互作用，并不包含其他任何信息。然而，DDI在很大程度上受到各种其他生物医学因素的影响（例如药物剂量）。因此，将它们应用于更复杂和有意义的推理任务是具有挑战性的。因此，本研究将DDI视为知识图谱上的链接预测问题，并提出了一个基于Cross-Transformer和图卷积网络（GCN）的一阶逻辑查询形式的DDI预测模型，TransFOL。在模型中，首先构建生物医学查询图以学习嵌入表示。随后，设计了一个增强模块来聚合实体和关系的含义。交叉变换器用于编码以获取节点之间的语义信息，图卷积网络用于进一步收集邻居信息并预测推理结果。为了评估TransFOL在常见DDI任务上的性能，我们在两个基准数据集上进行了实验。实验结果表明，我们的模型在传统DDI任务上的性能超过了最先进的方法。此外，我们在其他两个实验中引入了不同的生物医学信息，以使设置更加现实。实验结果验证了TransFOL在复杂设置中强大的药物推理能力和泛化能力。数据和代码可在
https://github.com/Cheng0829/TransFOL 上获取。

声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。