生病時(shí)，醫(yī)生往往給我們開了多種藥物，這些藥物在同時(shí)服下時(shí)是否因?yàn)樗幬镩g相互作用產(chǎn)生對身體不良的效果，這引起我們的懷疑和擔(dān)心。其實(shí)醫(yī)生所開的藥方的藥品已經(jīng)經(jīng)過了藥物間相互作用的實(shí)驗(yàn)和臨床測試，我們不應(yīng)對此產(chǎn)生疑慮。

藥物間相互作用（DDI）是指當(dāng)一個(gè)患者同時(shí)服用多種藥物時(shí)，藥物之間可能發(fā)生的反應(yīng)，這些反應(yīng)可能會影響藥物的效果和安全性，甚至導(dǎo)致嚴(yán)重的不良后果。所以預(yù)測和避免 DDI 是藥物研發(fā)和臨床治療中的一個(gè)重要問題。但是由于藥物的種類和數(shù)量龐大，以及 DDI 的復(fù)雜性和多樣性，要通過實(shí)驗(yàn)和臨床測試來檢測所有可能的 DDI 是非常困難和昂貴的。因此利用人工智能（AI）技術(shù)來預(yù)測 DDI 是一種有效和快速的替代方案。

近年來，AI 領(lǐng)域的深度學(xué)習(xí)技術(shù)在處理圖像、文本、語音等多種類型的數(shù)據(jù)方面取得了突破性的進(jìn)展，為 DDI 預(yù)測提供了新的思路和方法。其中，卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一種強(qiáng)大的深度學(xué)習(xí)模型，能夠從數(shù)據(jù)中自動提取特征，并進(jìn)行分類、回歸、聚類等任務(wù)。CNN 在圖像處理方面的優(yōu)勢已經(jīng)被廣泛證明，但是它也可以用于處理其他類型的數(shù)據(jù)，如藥物的化學(xué)結(jié)構(gòu)、酶、途徑和靶點(diǎn)等。通過將不同類型的數(shù)據(jù)作為 CNN 的輸入，并將它們?nèi)诤蠟橐粋€(gè)統(tǒng)一的輸出，可以實(shí)現(xiàn)對 DDI 的多模態(tài)分析和預(yù)測。

本文介紹了一篇最新發(fā)表在著名《自然》雜志Scientific Reports上的論文，該論文提出了一種基于多模態(tài) CNN 的 DDI 預(yù)測方法，稱為多模態(tài) CNN-DDI。該方法利用了藥物的化學(xué)結(jié)構(gòu)、酶、途徑和靶點(diǎn)等特征，以及基于 Jaccard 相似度的相似度矩陣，來預(yù)測 65 種不同的 DDI 相關(guān)事件。該方法在 DrugBank 數(shù)據(jù)庫上進(jìn)行了實(shí)驗(yàn)，該數(shù)據(jù)庫包含了 572 種藥物和 74528 個(gè)相互作用。該方法在準(zhǔn)確率和 AUPR 等評估指標(biāo)上均優(yōu)于其他方法，并且能夠有效地識別不同類型的 DDI。該方法對于藥物的安全性和有效性具有重要的意義，也為藥物的機(jī)制和功能的研究提供了一個(gè)新的視角和方法。

論文作者是來自巴基斯坦巴里亞大學(xué)計(jì)算機(jī)科學(xué)系的Muhammad Asfand-e-yar, Qadeer Hashir & Waqar Khalil 、美國佛羅里達(dá)國際大學(xué)的Asghar Ali Shah 、沙特卡西姆大學(xué)的Hafiz Abid Mahmood Malik三位專家，他們在 AI 和生物信息學(xué)方面有著豐富的經(jīng)驗(yàn)和成果。他們的研究受到了巴基斯坦高等教育委員會的資助，也得到了國際同行的認(rèn)可和贊揚(yáng)。他們的研究創(chuàng)新點(diǎn)主要有以下幾個(gè)方面：

1）他們提出一種基于多模態(tài) CNN 的 DDI 預(yù)測方法，該方法能夠處理和融合不同類型的藥物特征，如化學(xué)結(jié)構(gòu)、酶、途徑和靶點(diǎn)，從而實(shí)現(xiàn)對 DDI 的全面和準(zhǔn)確的分析和預(yù)測。

2）他們采用一種基于 Jaccard 相似度的相似度矩陣作為 CNN 的輸入，該相似度矩陣能夠反映藥物之間的相似性和差異性，從而提高 CNN 的學(xué)習(xí)能力和泛化能力。

3）他們設(shè)計(jì)一個(gè)新的 CNN 網(wǎng)絡(luò)結(jié)構(gòu)，該結(jié)構(gòu)包括一個(gè)輸入層，一個(gè)卷積層，一個(gè)展平層，三個(gè)全連接層和一個(gè)輸出層，以及一些批量歸一化層和丟棄層，用于提高模型的穩(wěn)定性和防止過擬合。

4）他們使用 Adam 優(yōu)化器和分類交叉熵?fù)p失函數(shù)來訓(xùn)練模型，這些都是目前深度學(xué)習(xí)領(lǐng)域的先進(jìn)技術(shù)，能夠提高模型的收斂速度和效果。

5）他們在 DrugBank 數(shù)據(jù)庫上進(jìn)行了廣泛的實(shí)驗(yàn)，該數(shù)據(jù)庫是目前最全面和最權(quán)威的藥物數(shù)據(jù)庫之一，包含了大量的藥物和相互作用信息。他們對不同的超參數(shù)和特征組合進(jìn)行了不同的實(shí)驗(yàn)，以找到最優(yōu)的模型配置和特征選擇。

6）他們還進(jìn)行了兩種不同的統(tǒng)計(jì)測試來評估他們的方法與其他方法的性能差異，這些測試能夠客觀地反映他們的方法的優(yōu)越性和可靠性。

研究應(yīng)用前景主要有以下幾個(gè)方面。

• 他們的方法對于藥物的安全性和有效性具有重要的意義，因?yàn)樗麄兊姆椒軌驇椭t(yī)生和藥師避免不良的 DDI，從而提高藥物治療的質(zhì)量和效果。他們的方法也為藥物的開發(fā)和評價(jià)提供了一個(gè)有用的工具，可以加快藥物的上市和推廣。
• 他們的方法為藥物的機(jī)制和功能的研究提供了一個(gè)新的視角和方法，可以揭示藥物的復(fù)雜性和多樣性。他們的方法也可以用于探索藥物的新的相互作用和作用方式，從而發(fā)現(xiàn)新的藥物或新的藥物組合。
• 他們的方法也可以推廣到其他領(lǐng)域，如基因、蛋白質(zhì)、代謝物等，用于分析和預(yù)測它們之間的相互作用和功能。他們的方法也可以與其他 AI 技術(shù)，如自然語言處理、計(jì)算機(jī)視覺、語音識別等，結(jié)合起來，實(shí)現(xiàn)更多的多模態(tài)數(shù)據(jù)分析和應(yīng)用。

背景和動機(jī)

藥物間的相互作用（DDI）是指同時(shí)或先后服用兩種或兩種以上藥物時(shí)，藥物之間所產(chǎn)生的相互作用，而該相互作用可能會導(dǎo)致意想不到的副作用。例如，某些藥物可能會增加或減少另一些藥物的效果，或者引起新的不良反應(yīng)，從而影響藥物的安全性和有效性。DDI是臨床藥理學(xué)和藥物治療中一個(gè)重要的問題，也是導(dǎo)致藥物不良事件和醫(yī)療成本增加的主要原因之一。

DDI的類型可以根據(jù)其發(fā)生的機(jī)制和結(jié)果進(jìn)行分類。根據(jù)機(jī)制，DDI可以分為藥效學(xué)相互作用和藥動學(xué)相互作用。藥效學(xué)相互作用是指一個(gè)藥物通過相同或相反的藥理作用，改變了另一個(gè)藥物對組織或器官的影響。例如，阿司匹林和華法林都是抗凝血藥，如果同時(shí)使用，可能會增加出血的風(fēng)險(xiǎn)。藥動學(xué)相互作用是指一個(gè)藥物改變了另一個(gè)藥物在體內(nèi)的吸收、分布、代謝或排泄，從而改變了另一個(gè)藥物的濃度或生物利用度。例如，紅霉素是一種抗生素，它可以抑制肝臟中的細(xì)胞色素P450酶，從而減少其他藥物的代謝，導(dǎo)致其他藥物的血藥濃度升高。

根據(jù)結(jié)果，DDI可以分為協(xié)同作用和拮抗作用。協(xié)同作用是指兩種或多種藥物的聯(lián)合使用，產(chǎn)生了比單獨(dú)使用更強(qiáng)的效果。例如，抗癲癇藥物卡馬西平和苯妥英鈉都可以增強(qiáng)γ-氨基丁酸（GABA）的抑制作用，如果同時(shí)使用，可以提高抗癲癇的效果。拮抗作用是指兩種或多種藥物的聯(lián)合使用，產(chǎn)生了比單獨(dú)使用更弱的效果。例如，抗生素青霉素和細(xì)胞壁合成抑制劑巴克替爾都可以抑制細(xì)菌的生長，如果同時(shí)使用，可以降低抗菌的效果? 。

DDI的影響可以是有益的或有害的。有益的DDI可以提高藥物的療效或降低藥物的毒性，從而優(yōu)化藥物治療的效果。例如，抗結(jié)核藥物利福平和異煙肼的聯(lián)合使用，可以增強(qiáng)抗結(jié)核的效果，同時(shí)減少耐藥性的發(fā)生。有害的DDI可以降低藥物的療效或增加藥物的毒性，從而導(dǎo)致藥物治療的失敗或不良事件的發(fā)生。例如，抗高血壓藥物利尿劑和非甾體抗炎藥物的聯(lián)合使用，可以降低利尿劑的降壓效果，同時(shí)增加腎功能損害的風(fēng)險(xiǎn) 。

DDI的檢測方法可以分為實(shí)驗(yàn)室方法和臨床方法。實(shí)驗(yàn)室方法是指在體外或動物模型中，通過觀察藥物之間的化學(xué)反應(yīng)或生物反應(yīng)，來預(yù)測或驗(yàn)證DDI的可能性或程度。例如，通過測定藥物對細(xì)胞色素P450酶的抑制或誘導(dǎo)作用，來評估藥物對代謝酶的影響。臨床方法是指在人體中，通過觀察藥物之間的藥效或藥動學(xué)參數(shù)的變化，來確定或評價(jià)DDI的存在或嚴(yán)重性。例如，通過測定藥物的血藥濃度或藥效指標(biāo)，來評估藥物的相互作用 。

隨著藥物種類的增加和藥物治療的復(fù)雜化，DDI的發(fā)生率和危害性也越來越高，給臨床醫(yī)療帶來了巨大的挑戰(zhàn)。因此，及時(shí)、準(zhǔn)確、有效地預(yù)測DDI，對于保障藥物的安全性和有效性，優(yōu)化藥物治療的效果，降低藥物不良事件和醫(yī)療成本，具有重要的意義。然而傳統(tǒng)的DDI檢測方法存在一些局限性，如耗時(shí)、耗費(fèi)、不全面、不及時(shí)等，難以滿足臨床的需求。因此，利用人工智能（AI）技術(shù)，尤其是深度學(xué)習(xí)技術(shù)，來輔助DDI的預(yù)測，成為了近年來的研究熱點(diǎn)和發(fā)展趨勢 。

AI技術(shù)在DDI預(yù)測中的作用和挑戰(zhàn)

AI技術(shù)利用計(jì)算機(jī)系統(tǒng)或其他智能設(shè)備，模擬或擴(kuò)展人類的智能，實(shí)現(xiàn)各種復(fù)雜的任務(wù)的技術(shù)。AI技術(shù)包括多個(gè)子領(lǐng)域，如機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、自然語言處理、計(jì)算機(jī)視覺、語音識別等。AI技術(shù)在醫(yī)學(xué)領(lǐng)域有著廣泛的應(yīng)用，如醫(yī)學(xué)影像分析、醫(yī)學(xué)文本挖掘、醫(yī)學(xué)診斷和決策支持、醫(yī)學(xué)知識圖譜構(gòu)建等 。

AI技術(shù)利用多種數(shù)據(jù)源，如藥物的化學(xué)結(jié)構(gòu)、分子描述符、藥物靶點(diǎn)、藥物途徑、藥物標(biāo)簽、藥物文獻(xiàn)、藥物數(shù)據(jù)庫等，來提取和整合藥物的多維特征，從而實(shí)現(xiàn)對藥物的全面和深入的理解和表征。

AI技術(shù)使用多種模型和算法，如神經(jīng)網(wǎng)絡(luò)、圖神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、注意力機(jī)制、自編碼器、生成對抗網(wǎng)絡(luò)等，來建立和優(yōu)化藥物的預(yù)測模型，從而實(shí)現(xiàn)對DDI的精確和高效的預(yù)測和分類。

AI技術(shù)采用多種評估和驗(yàn)證方法，如準(zhǔn)確率、召回率、精確率、F1分?jǐn)?shù)、AUC、AUPR、混淆矩陣、ROC曲線、PR曲線、配對t檢驗(yàn)、方差分析等，來評估和驗(yàn)證預(yù)測模型的性能和可靠性，從而實(shí)現(xiàn)對DDI的客觀和科學(xué)的評價(jià)和分析。

方法和原理

多模態(tài)卷積神經(jīng)網(wǎng)絡(luò) (MCNN) 是一種能夠處理和融合不同模態(tài)數(shù)據(jù)的深度學(xué)習(xí)方法。模態(tài)是指數(shù)據(jù)的類型，如文本、圖像、音頻、視頻等。不同模態(tài)的數(shù)據(jù)包含了不同的信息和特征，通過有效地結(jié)合它們，可以實(shí)現(xiàn)對復(fù)雜問題的更全面和準(zhǔn)確的理解和分析。

圖1：DDI 的框架架構(gòu)。

MCNN 的核心思想是使用多列并行的卷積神經(jīng)網(wǎng)絡(luò) (CNN) 來提取不同模態(tài)數(shù)據(jù)的特征，并將它們?nèi)诤蠟橐粋€(gè)統(tǒng)一的輸出。每列 CNN 的卷積核大小不同，以適應(yīng)不同模態(tài)數(shù)據(jù)的特征尺度。MCNN 可以根據(jù)不同的任務(wù)和數(shù)據(jù)集，靈活地設(shè)計(jì)不同的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)。

論文作者的方法是基于 MCNN 的 DDI 預(yù)測方法，該方法利用了藥物的化學(xué)結(jié)構(gòu)、酶、途徑和靶點(diǎn)等特征，以及基于 Jaccard 相似度的相似度矩陣，來預(yù)測 65 種不同的 DDI 相關(guān)事件。論文作者的方法的具體步驟和細(xì)節(jié)如下：

第一步，提取藥物特征。論文作者從 DrugBank 數(shù)據(jù)庫中獲取了 572 種藥物的信息，包括它們的化學(xué)結(jié)構(gòu)（以 SMILES 表示）、酶、途徑和靶點(diǎn)等。論文作者使用編碼層將每種藥物的信息轉(zhuǎn)換為一個(gè)位向量，其中 1 表示藥物中存在該化合物，0 表示不存在該化合物。例如，酶可以由 202 維的位向量表示，靶點(diǎn)可以由 1162 維的位向量表示，化學(xué)子結(jié)構(gòu)可以由 808 維的位向量表示。

第二步，計(jì)算藥物對的相似性。論文作者使用 Jaccard 相似度來計(jì)算每對藥物之間的相似性，該相似度是指兩個(gè)集合的交集與并集的比值。論文作者將每種藥物的位向量視為一個(gè)集合，然后計(jì)算它們的交集和并集的大小，從而得到相似度矩陣。相似度矩陣的大小為 572 x 572，其中每個(gè)元素表示一對藥物的相似度，范圍在 0 到 1 之間。相似度矩陣可以反映藥物之間的相似性和差異性，從而有助于 CNN 學(xué)習(xí)藥物的特征和相互作用。

第三步，構(gòu)建多模態(tài) CNN 網(wǎng)絡(luò)。論文作者使用四個(gè)并行的 CNN 子模型來處理不同的藥物特征，即化學(xué)結(jié)構(gòu)、酶、途徑和靶點(diǎn)。每個(gè) CNN 子模型的結(jié)構(gòu)如下：

• 輸入層：接收相似度矩陣作為輸入，大小為 572 x 572 x 1。
• 卷積層：使用不同的卷積核大小和濾波器數(shù)量來提取特征，例如，化學(xué)結(jié)構(gòu)使用 5 x 5 的卷積核和 32 個(gè)濾波器，酶使用 3 x 3 的卷積核和 16 個(gè)濾波器，途徑使用 7 x 7 的卷積核和 64 個(gè)濾波器，靶點(diǎn)使用 9 x 9 的卷積核和 128 個(gè)濾波器。卷積層使用“tanh”作為激活函數(shù)，以同時(shí)使用正值和負(fù)值，因?yàn)橄嗨贫染仃囍锌赡艽嬖谪?fù)值。
• 展平層：將卷積層的輸出轉(zhuǎn)換為一維的向量，以便輸入到全連接層。
• 全連接層：使用三個(gè)全連接層，分別有 1024、512 和 256 個(gè)神經(jīng)元，用于進(jìn)一步提取和融合特征。全連接層使用“elu”作為激活函數(shù)，以增加非線性和穩(wěn)定性。全連接層還使用批量歸一化層和丟棄層，以防止過擬合和加速收斂。
• 輸出層：使用一個(gè)全連接層，有 65 個(gè)神經(jīng)元，對應(yīng)于 65 種不同的 DDI 相關(guān)事件。輸出層使用“SoftMax”作為激活函數(shù)，以輸出每種事件的概率分布。

第四步，融合多模態(tài) CNN 的輸出。論文作者使用一個(gè)全連接層，將四個(gè) CNN 子模型的輸出融合為一個(gè)統(tǒng)一的輸出，大小為 65 x 1，表示每種 DDI 相關(guān)事件的預(yù)測概率。論文作者使用“SoftMax”作為激活函數(shù)，以保證輸出的概率之和為 1。

第五步，訓(xùn)練和評估多模態(tài) CNN 網(wǎng)絡(luò)。論文作者使用 Adam 優(yōu)化器和分類交叉熵?fù)p失函數(shù)來訓(xùn)練模型，這些都是目前深度學(xué)習(xí)領(lǐng)域的先進(jìn)技術(shù)，能夠提高模型的收斂速度和效果。論文作者使用準(zhǔn)確率、精確率、召回率、F1 分?jǐn)?shù)和 AUPR 等評估指標(biāo)來評估模型的性能，這些指標(biāo)可以反映模型的準(zhǔn)確性、靈敏度、特異度和平衡性。論文作者還使用配對 t 檢驗(yàn)和方差分析來評估模型與其他方法的性能差異，這些檢驗(yàn)可以反映模型的顯著性和可信度。

圖2：所提出的模型命名為MCCN-DDI。

實(shí)驗(yàn)和結(jié)果

論文作者在 DrugBank 數(shù)據(jù)庫上進(jìn)行了廣泛的實(shí)驗(yàn)，該數(shù)據(jù)庫是目前最全面和最權(quán)威的藥物數(shù)據(jù)庫之一，包含了大量的藥物和相互作用信息。作者使用了 572 種藥物和 74528 個(gè)相互作用作為數(shù)據(jù)集，其中 80% 用于訓(xùn)練，10% 用于驗(yàn)證，10% 用于測試。作者對不同的超參數(shù)和特征組合進(jìn)行了不同的實(shí)驗(yàn)，以找到最優(yōu)的模型配置和特征選擇。

作者使用準(zhǔn)確率、精確率、召回率、F1 分?jǐn)?shù)和 AUPR 等評估指標(biāo)來評估模型的性能，這些指標(biāo)可以反映模型的準(zhǔn)確性、靈敏度、特異度和平衡性。論文作者的實(shí)驗(yàn)結(jié)果如表 3 所示，其中展示了單個(gè)特征和一組特征的結(jié)果。從表 3 中可以看出，化學(xué)結(jié)構(gòu)是最重要的藥物特征，其準(zhǔn)確率達(dá)到了 0.8861，而酶是最不重要的藥物特征，其準(zhǔn)確率僅為 0.6808。當(dāng)使用兩組或三組特征時(shí)，模型的性能有所提高，其中化學(xué)結(jié)構(gòu)、靶點(diǎn)和酶的組合達(dá)到了最高的準(zhǔn)確率 0.9000。然而，當(dāng)使用所有四組特征時(shí)，模型的性能反而有所下降，其準(zhǔn)確率為 0.8953。這可能是因?yàn)樘卣髦g存在一定的冗余或噪聲，導(dǎo)致模型過擬合或混淆。

論文作者還使用配對 t 檢驗(yàn)和方差分析來評估模型與其他方法的性能差異，這些檢驗(yàn)可以反映模型的顯著性和可信度。作者將他們的方法與以下幾種方法進(jìn)行了比較。

DDIMDL：這是一種基于多模態(tài)深度神經(jīng)網(wǎng)絡(luò)的 DDI 預(yù)測方法，使用了藥物的化學(xué)結(jié)構(gòu)、酶、途徑和靶點(diǎn)等特征，以及基于余弦相似度的相似度矩陣，來預(yù)測 65 種不同的 DDI 相關(guān)事件。

DeepDDI：這是一種基于深度神經(jīng)網(wǎng)絡(luò)的 DDI 預(yù)測方法，使用了藥物的分子描述符和指紋等特征，以及基于歐氏距離的相似度矩陣，來預(yù)測 86 種不同的 DDI 相關(guān)事件。

RF：這是一種基于隨機(jī)森林的 DDI 預(yù)測方法，使用了藥物的化學(xué)結(jié)構(gòu)、酶、途徑和靶點(diǎn)等特征，以及基于 Jaccard 相似度的相似度矩陣，來預(yù)測 65 種不同的 DDI 相關(guān)事件。

KNN：這是一種基于 K 最近鄰的 DDI 預(yù)測方法，使用了藥物的化學(xué)結(jié)構(gòu)、酶、途徑和靶點(diǎn)等特征，以及基于 Jaccard 相似度的相似度矩陣，來預(yù)測 65 種不同的 DDI 相關(guān)事件。

LR：這是一種基于邏輯回歸的 DDI 預(yù)測方法，使用了藥物的化學(xué)結(jié)構(gòu)、酶、途徑和靶點(diǎn)等特征，以及基于 Jaccard 相似度的相似度矩陣，來預(yù)測 65 種不同的 DDI 相關(guān)事件。

論文表4：MCNN-DDI與其他模型的結(jié)果比較。

論文作者的比較結(jié)果如論文表 4 所示，其中展示了不同方法在不同評估指標(biāo)上的表現(xiàn)。從表 4 中可以看出，作者的方法在所有評估指標(biāo)上均優(yōu)于其他方法，而 LR 方法與其他方法的相關(guān)性較差。作者的方法實(shí)現(xiàn)了高精度，AUPR 值分別為 0.9000 和 0.9478，證明了其優(yōu)越性。配對 t 檢驗(yàn)和方差分析的結(jié)果表明，作者的方法與其他方法之間的性能差異是顯著的和穩(wěn)定的，具有統(tǒng)計(jì)學(xué)意義。

討論和總結(jié)

使用多模態(tài) CNN-DDI處理藥物間相互作用的研究是一項(xiàng)重要的 AI 領(lǐng)域醫(yī)學(xué)應(yīng)用，他們提出了一種基于多模態(tài) CNN 的 DDI 預(yù)測方法，該方法利用了藥物的化學(xué)結(jié)構(gòu)、酶、途徑和靶點(diǎn)等特征，以及基于 Jaccard 相似度的相似度矩陣，來預(yù)測 65 種不同的 DDI 相關(guān)事件。他們的方法在準(zhǔn)確率和 AUPR 等評估指標(biāo)上均優(yōu)于其他方法，并且能夠有效地識別不同類型的 DDI。他們的方法對于藥物的安全性和有效性具有重要的意義，也為藥物的機(jī)制和功能的研究提供了一個(gè)新的視角和方法。

他們的研究對于藥物的安全性和有效性具有重要的意義，因?yàn)樗麄兊姆椒軌驇椭t(yī)生和藥師避免不良的 DDI，從而提高藥物治療的質(zhì)量和效果。他們的方法也為藥物的開發(fā)和評價(jià)提供了一個(gè)有用的工具，可以加快藥物的上市和推廣。他們?yōu)樗幬锏臋C(jī)制和功能的研究提供了一個(gè)新的視角和方法，可以揭示藥物的復(fù)雜性和多樣性。他們的方法也可以用于探索藥物的新的相互作用和作用方式，從而發(fā)現(xiàn)新的藥物或新的藥物組合。他們?yōu)?AI 領(lǐng)域的多模態(tài)深度學(xué)習(xí)提供了一個(gè)新的應(yīng)用場景和案例，展示了多模態(tài) CNN 的強(qiáng)大能力和潛力。他們的方法也可以推廣到其他領(lǐng)域，如基因、蛋白質(zhì)、代謝物等，用于分析和預(yù)測它們之間的相互作用和功能。他們的方法也可以與其他 AI 技術(shù)，如自然語言處理、計(jì)算機(jī)視覺、語音識別等，結(jié)合起來，實(shí)現(xiàn)更多的多模態(tài)數(shù)據(jù)分析和應(yīng)用。

論文作者的研究是一項(xiàng)重要的 AI 領(lǐng)域醫(yī)學(xué)應(yīng)用，他們提出了一種基于多模態(tài) CNN 的 DDI 預(yù)測方法，該方法利用了藥物的化學(xué)結(jié)構(gòu)、酶、途徑和靶點(diǎn)等特征，以及基于 Jaccard 相似度的相似度矩陣，來預(yù)測 65 種不同的 DDI 相關(guān)事件。他們的方法在準(zhǔn)確率和 AUPR 等評估指標(biāo)上均優(yōu)于其他方法，并且能夠有效地識別不同類型的 DDI。他們的方法對于藥物的安全性和有效性具有重要的意義，也為藥物的機(jī)制和功能的研究提供了一個(gè)新的視角和方法。他們的研究具有創(chuàng)新性、局限性和前景性，值得我們進(jìn)一步關(guān)注。

參考資料：https://www.nature.com/articles/s41598-024-54409-x