Half-Monthly DDI Record

Posted on In , Views: Word count in article: 2.5k Reading time ≈ 9 mins.

3~4周里入到🧠的DDI

DDI 真神奇捏。阿巴阿巴阿巴

这周看到的蛮不赖的几篇捏

Title Algorithm Journal/Conference Motivation (challenges) DMG KG Fusion strategy etc. Year Objection Exp Drugs Interactions Others Questions LeZi
RaHDCL: Relation-aware hypergraph diffusion contrastive learning for drug-drug interaction event prediction RaHDCL Knowledge-Based Systems 阐述了similarity-based & graph-based model的缺陷; 1. 关于特征信息的化学一致性 2. 对比学习 超图, 扩散模型, 多时间步noising denoising超图 1. 扩散模型, 每一时间步产生noising和denoising两幅图; 2. 相同event连接多个节点构成超图, event超边是有边特征的 2026 multiclass classification case study; Robustness analysis SMILES (2 fingerprint) Deng’s dataset; Ryu’s dataset 照理来说把两两关系揉在一起不是会丢失部分信息吗，可以有方法在构建超图的时候将两两关系也考虑进去吗
Dual-channel heterogeneous graph framework with multi-view contrastive learning for drug–drug interaction prediction GEMCL Engineering Applications of Artificial Intelligence 1. 目前工作在实验中缺乏对 new or unseen drugs 的interaction预测; 2. 对于同时使用药物molecular graph和KG的方法, 融合策略欠缺 图扰动+预训练GCN 多生物节点KG+图扰动+GCN gated feature Fusion + CL 1. 设计了图扰动策略和对比学习; 2. 使用预训练的GNN模型图学习. 预训练的调参方法也很新颖 in 2.4 2026 multiclass & multilabel classification 1. 实验涵设计充分, transductive & Inductive; 2. 在3.9中有模块可解释性分析. 3. case study SMILES DB; TWOSIDES (multilabel数据集) 多生物实体KG来自数据集external DRKG 何意味？！BKG的关系有108种？？？
DMCL-DDI: A dual-view molecular contrastive learning framework for drug-drug interaction prediction DMCL-DDI Expert Systems with Applications 一些方法仅考虑 single-view, 多数 dual-view 的方法则没考虑 atomic level 的特征 DMG 通过 GAT 提取特征, inter (药物 pair 的特征, 通过乘积构建) + intra (单个药物) CL 新颖的 drug pair 之间子结构关联的构建方式, 构建 inter grpah 是两个药物 molecular graph 的乘积 2026 binary classification inductive exp; Case study 有 substructure 的交互图 SMILES DB;TWOSIDES
SynCaps-DDI: A hybrid neural model combining capsule networks and syntactic graph convolution for drug–drug interaction extraction SynCaps-DDI Biomedical Signal Processing and Control 利用句法构建 KG(非 DDI 关系) concat 利用 BioBERT 处理 token,送入并行的双分支结构(RGCN 提取句法图连接信息,CapsNetwork 提取长程依赖信息) 2026 multi-class classification 1.声明了不平衡数据无下采样等操作.
2.外部验证.
3.定量误差分析,分析模型模块与出错模式之间的关联.
4.Robustness analysis		 无;模型的输入是一句说明性的话,xx 与药物 xx 可以联用之类的 DDI Extraction 2013 dataset ;TAC 2018 DDI extraction dataset (外部验证) 输入的是一句话,交给分词模型
Devil in the Tail: A Multi-Modal Framework for Drug-Drug Interaction Prediction in Long Tail Distinction TFMD CIKM ‘24 DDI 类型分布呈极端长尾特性；现有模型对头部类存在高度偏见；忽视了药物的多面属性及其协作互补。 基于图的特征（聚合邻居节点信息） 未直接使用外部 KG ，但融合了 Target 和 Enzyme 特征。 模态增强融合 (Modality Enhancement Fusion)：使用 SMILES 语义增强化学图空间特征，使用 Enzyme 增强 Target 表达。 引入 Tailed Focal Loss (TFL) 解决长尾分布下的梯度消失问题；使用 Transformer 提取 SMILES 序列特征。 2024 multi-class (110 & 171类) 宏平均指标 (Accuracy, F1, AUPR 等)；长尾数据集验证。 SMILES, 化学图, Target, Enzyme DDI-DB110, DDI-DB171, DDIMDL, MUFFIN 源码已开源 (GitHub)
DDIPrompt: Drug-Drug Interaction Event Prediction based on Graph Prompt Learning DDIPrompt CIKM ‘24 DDI 事件分布高度不平衡；罕见事件的标签数据极度稀缺；现有 GNN 模型依赖大量监督。 双视图图注意力网络 (Capture intra-molecular structures) 结合预训练的生物医学知识图谱嵌入 (Pre-trained KG embedding) 分层预训练 + Prompt 调优：先通过相似度预测和链路预测进行预训练，再冻结模型使用类原型(Class Prototypes)作为 Prompt 。 提出原型增强提示机制 (Prototype-enhanced prompting)，适配少样本 (Few-shot) 场景。 2024 multi-class edge prediction 弱监督 (20%训练比例)；消融实验；超参数敏感性分析。 分子图, 知识图谱嵌入 Deng’s dataset, DrugBank dataset 首次在药物领域尝试图提示学习 (Graph Prompt Learning)
IIB-DDI: Invariant Information Bottleneck Theory for Out-of-Distribution Drug-Drug Interaction Prediction IIB-DDI IEEE TCBB (2025) 药物子结构分布不均导致模型依赖虚假关系；分布偏移 (OOD) 下泛化能力差。 使用 MPNN (消息传递神经网络) 编码分子结构 环境码本 (Environment Codebook)：通过矢量量化 (VQ) 学习潜在环境分布。 不变信息瓶颈 (Invariant IB)：利用IB理论提取核心子图，结合VQ聚类环境因素。 引入不变学习 (Invariant Learning) 寻找在不同环境下性能稳定的“理性”子结构；通过噪声注入优化互信息。 2025 multiclass & binary 换能 (Transductive) 与 归纳 (Inductive, 包括Type 1/2) 实验；OOD 场景验证。 分子图 (SMILES转换) ZhangDDI, ChChMiner, DeepDDI, DrugBank 侧重于解决分布偏移和泛化性能 (OOD)

RaHDCL 超图扩散 + 对比学习

  1. 用关系构造超图，具有同一 DDI event 的药物之间连一条超边
  2. 超图扩散以增强鲁棒性，之后也有对应的鲁棒性实验，但这个不是应该对比下降幅度吗？难道是结果不太好？
  3. 层次对比学习。通过对原始视图和扩散增强视图进行层次化对比，模型能够学习到更具判别力的表征，充分挖掘隐藏在稀疏交互数据后的语义一致性

具体来说

关系感知超图扩散（Relation-aware Hypergraph Diffusion）

模型通过扩散过程对药物-事件关系进行增强。输入为药物 $i$ 在超图中的关系向量 $h_i \in {0, 1}^{|\mathcal{E}|}$。

  1. 前向扩散过程（Forward Process）
    模型在 $T$ 个时间步内向原始结构 $x_0 = h_i$ 逐步添加高斯噪声。
    给定噪声表（Noise Schedule） $\beta_t \in (0, 1)$，第 $t$ 步的状态分布为：
    $$q(x_t | x_{t-1}) = \mathcal{N}(x_t; \sqrt{1-\beta_t}x_{t-1}, \beta_t \mathbf{I})$$

    利用重参数化技巧，可以直接从 $x_0$ 推导出 $x_t$ 的闭式解：
    $$q(x_t | x_0) = \mathcal{N}(x_t; \sqrt{\bar{\alpha}_t}x_0, (1-\bar{\alpha}_t)\mathbf{I})$$
    其中 $\alpha_t = 1 - \beta_t$，且 $\bar{\alpha}t = \prod{i=1}^t \alpha_i$。

  2. 关系感知逆向去噪（Reverse Denoising）
    去噪网络 $\theta$ 的目标是根据噪声状态 $x_t$ 和条件信息 $x_a$（药物成对关系）还原 $x_0$。
    RaHDCL 引入了**交叉注意力机制（Cross-Attention）**来融合超图噪声状态和药物关系条件：

    假设 $z_h = \text{Linear}(x_t)$，$z_a = \text{Linear}(x_a)$，则预测的 $x_0$ 为：
    $$x_{\theta}(x_t, x_a, t) = \sigma \left( z_h + \text{softmax}\left( \frac{(z_h \mathbf{W}^Q)(z_a \mathbf{W}^K)^T}{\sqrt{d}} \right) (z_h \mathbf{W}^V) \right)$$
    其中 $\mathbf{W}^Q, \mathbf{W}^K, \mathbf{W}^V$ 是可学习的投影矩阵，$d$ 是特征维度。

    扩散损失函数：
    $$\mathcal{L}d = \mathbb{E}{t, x_0, \epsilon} \left[ \frac{\alpha_{t-1} - \alpha_t}{2(1-\bar{\alpha}_{t-1})(1-\bar{\alpha}t)} | x{\theta}(x_t, x_a, t) - x_0 |^2_2 \right]$$

层次对比学习（Hierarchical Contrastive Learning）

扩散增强后的超图 $\mathcal{G}’$ 与原始超图 $\mathcal{G}$ 构成对比视图。模型在两个层级应用 InfoNCE 损失。

  1. 超边级对比学习（Hyperedge-level Contrast）
    该层级旨在确保相同的 DDI 事件（超边）在不同视图下具有一致的表征。
    设 $h_e$ 为原始视图中事件 $e$ 的嵌入，$h’e$ 为增强视图中的嵌入，其对比损失为：
    $$L_h = \frac{1}{|\mathcal{E}|} \sum    {e \in \mathcal{E}} -\log \frac{\exp(\text{sim}(h_e, h’e) / \tau)}{\sum{j \in \mathcal{E}} \exp(\text{sim}(h_e, h’_j) / \tau)}$$
    其中 $\text{sim}(\cdot)$ 为余弦相似度，$\tau$ 为温度参数。

  2. 药物节点级对比学习（Drug-level Contrast）
    该层级旨在增强药物在 sparse（稀疏）DDI 图中的鲁棒性。
    设 $v_n$ 为原始视图中药物 $n$ 的嵌入，$v’n$ 为增强视图中（由增强后的边特征生成的）药物嵌入：
    $$L_n = \frac{1}{|\mathcal{V}|} \sum    {n \in \mathcal{V}} -\log \frac{\exp(\text{sim}(v_n, v’n) / \tau)}{\sum{k \in \mathcal{V}} \exp(\text{sim}(v_n, v’_k) / \tau)}$$

  3. 联合优化目标
    模型最终通过加权组合监督预测损失（交叉熵 $\mathcal{L}{sup}$）和层次对比损失进行训练：
    $$\mathcal{L}    {total} = \mathcal{L}_{sup} + \epsilon_1 L_h + (1 - \epsilon_1) L_n$$
    其中 $\epsilon_1$ 是用于调节超边级和节点级对比强度权重的超参数。

GEMCL 自适应门控特征融合 + 多视图对比学习

  1. 自适应门控特征融合 (Gated Feature Fusion)：设计了一个动态门控机制，能够根据不同预测场景（如已知药物 vs. 新药）自动调节结构特征与语义特征的权重。
  2. 多视图对比学习 (Multi-view Contrastive Learning)：在训练阶段引入四个维度的对比损失（视图内一致性与跨通道对齐），解决了数据偏移问题并增强了表征的判别力。
  3. 预训练机制：针对 DMG 采用节点遮蔽（Node Masking），针对 BKG 采用链路预测（Link Prediction），为下游任务提供了优秀的特征初始化。

关于可解释性实验

  1. 在 S1 场景（已知药物预测）中：的中位数约为 0.42。这说明当药物在 BKG 中有丰富的关联数据（如已知的靶点、疾病关系）时，模型认为知识图谱特征和结构特征同等重要，甚至稍微偏向利用外部知识。
  2. 在 S3 场景（新药-新药预测）中：的中位数显著上升至 0.87。
    解释：对于完全没见过的新药，它们在 BKG 中通常是孤立节点，缺乏可靠的外部链接语义。此时，模型通过门控机制“自发地”意识到外部知识是不可信的（Noise），因此自动将注意力转移到药物的**内在化学结构（DMG）**上。

DMCL-DDI

  1. 引入了药物和药物的乘积的概念
  2. 子结构可视化的实验