AttentionDdi：薬物薬物相互作用予測のためのシャムの注意ベースの深い学習方法

背景：薬物薬物相互作用（DDI）は、薬物がそれ自体で投与されたときに観察されたものを超えて副作用をもたらす2つ以上の薬物の投与によってトリガーされるプロセスを指します。膨大な数の薬物ペアの可能性があるため、すべての組み合わせを実験的にテストし、以前に観察されていなかった副作用を発見することはほぼ不可能です。したがって、この問題に対処するために機械学習ベースの方法が使用されています。 方法：薬物ターゲット、経路、遺伝子発現プロファイルを含む薬物特性の比較から導き出された複数の薬物類似性測定を統合するDDI予測のためのシャム自己関節マルチモーダルニューラルネットワークを提案します。 結果：提案されているDDI予測モデルは、複数の利点を提供します。（1）複数の個別のステップで構成されるモデルのエンドツーエンドの制限を克服し、顕著な入力機能を識別するための注意メカニズムを介してモデルの説明可能性を提供します。（3）さまざまなベンチマークデータセットでテストされた場合、最先端のDDIモデルと比較して、同様またはより良い予測パフォーマンス（0.77〜0.92の範囲のAUPRスコア）を達成します。新しいDDI予測は、独立したデータリソースを使用してさらに検証されます。 結論：シャムのマルチモーダルニューラルネットワークはDDIを正確に予測できることがわかり、自然言語処理ドメインで通常使用される注意メカニズムは、DDIモデルの説明可能性を支援するために有益に適用できることがわかります。

BACKGROUND: Drug-drug interactions (DDIs) refer to processes triggered by the administration of two or more drugs leading to side effects beyond those observed when drugs are administered by themselves. Due to the massive number of possible drug pairs, it is nearly impossible to experimentally test all combinations and discover previously unobserved side effects. Therefore, machine learning based methods are being used to address this issue. METHODS: We propose a Siamese self-attention multi-modal neural network for DDI prediction that integrates multiple drug similarity measures that have been derived from a comparison of drug characteristics including drug targets, pathways and gene expression profiles. RESULTS: Our proposed DDI prediction model provides multiple advantages: (1) It is trained end-to-end, overcoming limitations of models composed of multiple separate steps, (2) it offers model explainability via an Attention mechanism for identifying salient input features and (3) it achieves similar or better prediction performance (AUPR scores ranging from 0.77 to 0.92) compared to state-of-the-art DDI models when tested on various benchmark datasets. Novel DDI predictions are further validated using independent data resources. CONCLUSIONS: We find that a Siamese multi-modal neural network is able to accurately predict DDIs and that an Attention mechanism, typically used in the Natural Language Processing domain, can be beneficially applied to aid in DDI model explainability.