DrugBank, TWOSIDES

本研究使用了两个广泛使用的公共药物相互作用（DDI）数据集：DrugBank和TWOSIDES。DrugBank包含86种药物之间的药理相互作用，而TWOSIDES记录了药物之间的副作用。这些数据集用于评估不同方法在预测药物相互作用中的性能。数据集的创建过程包括从公开的生物医学数据库中提取药物特征和相互作用信息，并通过图结构表示这些数据。这些数据集主要应用于药物相互作用预测领域，旨在通过计算方法识别潜在的不良相互作用和有益的药物组合，从而提高患者安全和治疗效果。This study utilized two widely adopted public drug-drug interaction (DDI) datasets: DrugBank and TWOSIDES. DrugBank encompasses pharmacological interactions between 86 drugs, while TWOSIDES records side effects associated with drug-drug interactions. These datasets are employed to evaluate the performance of various methods for predicting drug-drug interactions. The construction of these datasets involves extracting drug features and interaction information from public biomedical databases, and representing the data using graph structures. These datasets are primarily applied in the field of DDI prediction, aiming to identify potential adverse interactions and beneficial drug combinations via computational methods, thereby enhancing patient safety and therapeutic outcomes.

搜集汇总

数据集介绍

构建方式

DrugBank和TWOSIDES数据集的构建基于广泛使用的公共DDI数据源。DrugBank数据集包含86种药物间的药理相互作用，每对药物对应一种特定的相互作用类型。TWOSIDES数据集则记录了药物间的副作用，保留了209种相互作用类型，每对药物可能存在多种相互作用。数据集的构建过程中，使用了RDKit工具提取药物指纹作为初始药物特征，并结合了HetioNet和PrimeKG等生物医学网络作为辅助信息，以增强DDI预测的准确性。

使用方法

使用DrugBank和TWOSIDES数据集进行DDI预测时，首先需要提取药物指纹和生物医学网络信息作为输入特征。随后，可以采用多种机器学习方法，如多层感知器（MLP）、图神经网络（GNN）等，对药物对之间的相互作用进行建模和预测。在实际应用中，可以根据不同的场景设置（如新药引入、特定类型DDI预测等）调整模型的训练和评估策略，以提高预测的准确性和适应性。

背景与挑战

背景概述

药物-药物相互作用（DDI）预测在药理学和医疗保健领域中扮演着至关重要的角色，旨在识别潜在的不良相互作用和有益的联合疗法。近年来，图学习方法被广泛引入以预测药物-药物相互作用。然而，现有方法的评估存在若干局限性，如缺乏统一的比较框架、在有意义的现实场景中的评估不足以及对辅助信息使用的探索不足。为了解决这些未解决的局限性，我们提出了基于图学习的DDI预测基准。首先，我们对现有方法进行了统一的评估比较。为了满足现实场景的需求，我们进一步评估了不同方法在新药物参与和不同DDI类型中的表现。通过这些工作，我们希望为DDI预测问题提供更多见解。

当前挑战

DDI预测数据集的构建和应用面临多重挑战。首先，缺乏统一的评估比较框架，导致现有方法的评估结果难以直接比较。其次，现有方法在评估时很少考虑新药物或特殊DDI类型，而这些情况在现实场景中具有重要意义。此外，数据稀疏性是DDI预测中的常见问题，限制了机器学习方法的性能。为了应对这些挑战，我们进行了统一的和全面的实验，评估了现有方法在不同设置下的表现，并探索了生物医学网络中不同组件对DDI预测性能的贡献。

常用场景

经典使用场景

在药物-药物相互作用（DDI）预测领域，DrugBank和TWOSIDES数据集的经典应用场景主要集中在利用图学习方法进行药物相互作用预测。这些数据集通过提供详细的药物特征和相互作用信息，使得研究人员能够构建和评估各种图学习模型，如多层感知器（MLP）、图神经网络（GNN）和知识图谱嵌入方法（KG-DDI）。这些模型通过学习药物之间的复杂关系，能够有效预测潜在的药物相互作用，从而在药物开发和临床应用中提供重要的决策支持。

解决学术问题

DrugBank和TWOSIDES数据集解决了药物相互作用预测中的多个学术研究问题。首先，它们为统一评估框架的缺失提供了补救，通过提供标准化的数据集和评估指标，使得不同方法的比较成为可能。其次，这些数据集帮助研究人员在实际应用场景中评估模型性能，特别是在涉及新药物和特殊相互作用类型的情况下。此外，数据集还促进了对外部生物医学网络信息利用的探索，解决了数据稀疏性问题，从而提高了机器学习方法的性能。

实际应用

在实际应用中，DrugBank和TWOSIDES数据集被广泛用于药物开发和临床决策支持系统。通过这些数据集，制药公司可以预测新药物与其他药物的相互作用，从而优化药物组合和减少不良反应的风险。临床医生则可以利用这些预测结果来制定更安全的治疗方案，特别是在多药治疗的情况下。此外，这些数据集还支持药物再利用和药物组合疗法的研究，为复杂疾病的治疗提供了新的可能性。

数据集最近研究

最新研究方向

在药物相互作用（DDI）预测领域，最新的研究方向集中在利用图学习方法来解决现有评估方法的局限性。研究者们提出了一种统一的评估框架，旨在解决现有方法在实际应用场景中的不足，如缺乏统一的比较框架、在现实世界场景中的评估不足以及对辅助信息利用的探索不足。通过引入图学习技术，研究不仅在已知药物对的相互作用预测上取得了进展，还在涉及新药物的场景中进行了深入评估，进一步分析了生物医学网络中不同组件对DDI预测性能的贡献。这些研究为DDI预测提供了新的视角和方法，有望在药物开发和临床应用中发挥重要作用。

相关研究论文

• Benchmarking Graph Learning for Drug-Drug Interaction Prediction

  清华大学电子工程系 · 2024年