双通路模型跨尺度语义融合集成在药物重定位（Drug Repositioning）中的创新应用

　　本文推荐一项药物重定位（DR）领域的前沿研究，提出CSDPDR模型，融合拓扑特征信息与显著特征信息，通过自适应残差图注意力（Adaptive Residual Graph Attention）和评分驱动Top-K卷积图池化（Score-Driven Top-K Convolutional Graph Pooling）提升预测精度，有效缓解图稀疏性问题，在多个基准数据集上显著优于现有方法。

　　

亮点

我们计算元路径可达性和边置信度以生成增强边，有效解决网络边缘稀疏问题。

我们设计了一个双分支网络，捕获多尺度特征，从完整的药物-疾病-蛋白质网络中提取拓扑特征信息，同时挖掘子图中的显著特征信息。

提出自适应残差图注意力（Adaptive Residual Graph Attention），在信息传播过程中进行自我调节，显著提高稳定性和泛化能力。

设计评分驱动Top-K卷积图池化（Score-Driven Top-K Convolutional Graph Pooling），筛选最关键节点，减少冗余信息。

异质网络构建

我们将异质图定义为三元组 G=(V,E,F)，其中 V={V^dr, V^di, V^pr} 是所有药物（V^dr）、疾病（V^di）和蛋白质（V^pr）节点的集合，E=(E^rd, E^rp, E^dp) 是所有异质边的集合，包括药物-疾病关联（E^rd）、药物-蛋白质关联（E^rp）和疾病-蛋白质关联（E^dp）。

对于每个节点的特征，药物特征通过结合化学指纹相似性（通过RDKit）和高斯相互作用谱（GIP）核计算得出。

数据集

C-数据集由Luo等人构建，包含663种药物、409种疾病和2,532个已知药物-疾病关联（DDAs）。F-数据集由Gottlieb等人开发，包括593种药物、313种疾病和1,933个DDAs。药物、疾病和蛋白质的信息分别来自DrugBank、在线孟德尔遗传在人（OMIM）和DisGeNET。为验证模型在更大规模药物-疾病网络中的泛化能力，我们...

结论

本文提出CSDPDR，一种双分支图神经网络，通过整合拓扑和显著特征信息来增强药物重定位。该模型通过元路径和置信度评分解决药物-疾病关联预测中的网络稀疏性问题。拓扑感知分支捕获拓扑模式，而显著感知分支使用评分驱动Top-K卷积图池化关注关键节点关系。实验结果表明CSDPDR...