MFGNN-DSA: A Model for Predicting Drug–Side Effect Associations via Multifeature Fusion and Graph Neural Networks
Notice bibliographique
Résumé
Predicting associations between drugs and adverse side effects is essential for drug discovery and safety evaluation. Current models predominantly emphasize singular attributes of drugs and side effects, often neglecting to fully encapsulate their multifaceted characteristics and intricate interrelations. Here, we present MFGNN-DSA, a multifeature graph neural network framework that integrates heterogeneous biomedical information to achieve a more accurate prediction. Initially, the model extracts multisource features of drugs and side effects, which are integrated into attribute-based feature vectors via graph sampling and aggregation networks. A heterogeneous network encompassing diseases, drugs, and side effects is then constructed, and the HIN2Vec method is applied to obtain topological feature vectors. Subsequently, these topological, attribute-based, and aggregated feature vectors are processed through a multihead self-attention mechanism to derive the final feature vectors. Ultimately, the concatenated feature vectors are passed through a fully connected layer to predict the probability of drug-side effect association. Experimental results demonstrate that our model outperforms state-of-the-art methods in terms of AUC and AUPR. Case studies offer additional evidence supporting the model's effectiveness. The source code and experimental data of MFGNN-DSA are publicly available at https://github.com/MFGNN/MFGNN-DSA.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».