MKG-FENN
一、基础信息
- 论文标题：MKG-FENN: A Multimodal Knowledge Graph Fused End-to-End Neural Network for Accurate Drug–Drug Interaction Prediction
- 发表会议：AAAI 2024（CCF-A类人工智能顶会）
- 核心任务：药物-药物相互作用（DDI）预测（65种交互类型多分类）
- 代码地址：https://github.com/wudi1989/MKG-FENN
二、论文解决的问题
- 联合用药易产生有害DDI，需精准预测。
- 现有方法缺陷：
- 只利用部分药物信息，未全面融合多维度关联。
- 采用非端到端框架，特征提取与融合不充分。
- 未充分利用药物、靶点、酶、分子结构等复杂关联。
三、整体思路
构建4个多模态药物知识图谱 → 用四通道GNN分别提取特征 → 拼接融合 → 端到端MLP预测DDI。
四、模型方法
1. Multimodal Knowledge Graph
（1）构建4个知识图谱（全部基于公开数据，转为三元组）
- 药物-化学实体
- 来源：DrugBank
- 实体：靶点、酶、转运体、蛋白
- 三元组：<药物，功能关系，化学实体>
- 药物-子结构
- 来源：SMILES序列
- 实体：分子子结构
- 三元组：<药物，包含，子结构>
- 药物-药物
- 来源：DDI交互矩阵
- 实体：另一种药物
- 三元组：<药物A，交互类型，药物B>
- 药物-MACCS分子结构
- 来源：MACCS分子指纹
- 实体：分子结构特征
- 三元组：<药物，数量，分子特征>
（2）四通道GNN特征提取
- 每个图谱独立走一个GNN通道。
- 初始向量：实体ID随机初始化。
- GNN作用：让节点吸收邻居与关系信息，更新得到更有意义的向量。
- 输出：一个药物 → 4个不同维度的特征向量。
2. Fused End-to-End Neural Network（FENN，端到端融合网络）
（1）多模态特征融合
- 操作：直接拼接4个通道的药物向量。
- 公式：$\hat{E}_d = E_d^1 \oplus E_d^2 \oplus E_d^3 \oplus E_d^4$
- 结果：得到单一综合药物向量。
（2）MLP预测DDI
- 拼接待预测的两个药物综合向量。
- 送入多层MLP，输出65类DDI的概率。
- 取最大概率类别为预测结果。
（3）训练配置
- 损失函数：交叉熵损失（多分类标准）
- 优化器：Adam
- 防过拟合：Dropout、Batch Norm、L2正则
- 超参：嵌入维度128，邻域采样数6，学习率0.01
五、实验结论
- 在已知药物、已知+新药、全新药三个任务上，全面优于SOTA模型。
- 消融实验证明：4个通道融合效果最好，单通道/少通道性能下降。
