药物不良相互作用(Adverse Drug-Drug Interactions,DDIs)是指两种或者两种以上药物同时或在一定时间内先后应用时,在机体因素的参与下,药物因彼此之间的交互作用而发生的药动学或(和)药效学的变化。药物不良相互作用是药物治疗中一个非常重要的风险因子,可能给患者带来严重的副作用,甚至是死亡。虽然在药物开发阶段会通过大量体内和体外实验筛查出一些可能会发生不良药物相互作用的组合,这个过程需要消耗巨大的成本,需要一定的试验周期。但是在药物投入市场以后,由于人类生命体征的复杂性,仍有可能会出现大量新的副作用威胁着人类的身体健康和生命。随着医药信息化快速发展和不断完善,拥有了丰富的医药数据资源,人们开始借助数据分析和机器学习的手段在药物设计和治疗方案制定期间提前预测药物之间的不良相互反应。虽然已经有许多计算性研究方法提出,但仍然存在一些问题需要我们去重视和解决。这些方法的局限性主要有(i)不能更好地应对DDI这种高度不平衡数据(ii)大多是二阶段而不是端到端的模型(iii)不能捕捉药物之间的高阶相似性(iv)不能预测出具体DDI类型。为了解决以上问题,文章采取了图(网络)的表示结构。药物不良相互作用预测问题也可以天然地用图数据结构来建模,节点表示药物及其他与药物相关的分子,边表示两种药物之间发生不良相互作用或者药物与其他分子之间的联系。图是一种强大且复杂的工具,它可以通过收集更多的邻居信息甚至学习到整个图中的信息,来挖掘更多的隐藏信息用于我们的预测任务。文章主要工作包括:1.提出了一种基于图神经网络自编码器的药物不良相互作用预测模型“GNN Autoencoder”。将已知的药物相互作用关系构建成图结构。为了可以端到端的训练网络,我们采用了自编码器模型,编码器部分用图神经网络的算法在图上非线性地学习每个节点邻居节点的拓扑信息和对特征信息,得到节点的隐层向量表示,然后再用解码器重构图结构,则图中出现的新的边则可能为预测出的新的药物不良相互作用。2.提出了一种基于多关系链接预测的药物不良相互作用预测模型“R-VGAE Autoencoder”。为了使预测的结果真正的对患者的联合用药起到作用,我们需要预测具体的不良作用类型,所以,我们在模型的设置中考虑了边的具体的类型,每种类型表示不同的副作用类型。同时,我们在图中加入了与药物相关的蛋白质信息构建异构图,然后采用基于异构图的多关系预测方法来实现具体的药物相互作用类型的预测。文章将上述方法在DrugBank、Twosides等数据集上进行方法验证和实验,预测的准确率相比以往的方法都有较大的提升,AUOC和AUPR等的度量结果与其他几种典型的对比方法表现都好,同时也可以预测出具体的DDI类型。此外,我们对预测的假阳性结果中进行调查研究,有些的不良相互作用案例已在有的药物相关的论文中出现和探讨过,说明这一研究的确对新的DDIs的发现有着很大的帮助和意义。