Page 414 - 《软件学报》2026年第3期

邹鑫 等: 基于多源信息结构化序列建模的药物推荐方法 1377

1 相关工作

1.1 图神经网络

在近几年, 深度学习技术对广泛的机器学习任务产生了显著的影响, 这些任务包括图像分类、视频处理、语
音识别和自然语言理解等. 在这些任务中, 数据通常以欧几里得空间的形式表示. 然而, 随着应用领域的不断扩展,
越来越多的数据源自非欧几里得域, 并以图结构的形式存在, 其节点之间展现出复杂的关系和相互依赖性 [28] . 为
了解决图数据的半监督学习问题, 研究者们提出了多种方法. Kipf 等人 [29] 提出了一种图卷积网络 (graph convolu-
tional network, GCN) 的方法. Li 等人 [30] 则提出了一种门控图神经网络 (gated graph neural network, GGNN), 这是一
种适用于处理非序列和序列输出的图神经网络变体. Hamilton 等人 [31] 提出了 GraphSAGE 方法, 其核心思想是通
过采样和聚合节点的局部邻域特征来生成节点嵌入. Veličković等人 [32] 引入了图注意力网络 (graph attention network,
GAT), 利用带掩码的自注意力机制来自适应性地为每个节点分配邻居节点的权重, 无需高代价的矩阵运算, 为后
续研究提供了新的思路. 接着, Gilmer 等人 [33] 进一步提出, 现有图神经网络的核心在于学习一个信息传递算法和
一个聚合过程, 用以计算输入图的全局函数. 他们将现行模型统一为一种称为消息传递神经网络 (message passing
neural network, MPNN) 的通用框架.
图神经网络 (graph neural network, GNN) 以其出色的表征学习能力, 在多个领域已展现出广泛的应用潜力. 特
别是在医疗保健领域, GNN 已经取得了显著的进展. 在药物相关性研究方面, GNN 的应用已经证明了其独特的优
势. Ma 等人 [34] 利用图神经网络构建了一个药物相关性图, 编码药物的多视角知识, 从而捕获药物之间的复杂关系.
通过这种方式, 研究人员能够更深入地理解药物之间的相互作用, 从而为药物研发提供了新的视角. Shang 等人 [35]
在他们提出的 GAMENet 模型中, 将图神经网络应用于电子健康记录 (EHR) 图和药物-药物相互作用 (DDI)
图的编码工作. 通过这种方法, 他们成功地整合了关键的医疗和药物信息, 这对于提高医疗服务的质量和安全性具
有重要意义. Wang 等人 [36] 专注于利用图神经网络学习药物相关关系之间的依赖性, 并开发了一种动态多关系药
物图, 该图能够有效表示药物之间的动态和多层次的关系, 为药物研究提供了更为丰富的数据支持. 在 SafeDrug [37]
模型中, Yang 等人利用图神经网络增强了基于药物分子结构的药物嵌入技术. 这种方法不仅显著提升了药物分子
结构分析的精确度, 同时也为药物安全性评估带来了一种强有力的新型工具. 在这些突破性研究成果的启发下, 本
研究也采用了图神经网络技术对 EHR 图和 DDI 图进行编码, 旨在进一步优化药物推荐系统. 我们期望能够向医
疗专业人员提供更精确、个性化的药物选择建议, 以期提升治疗效果并最大限度地降低 DDI 的风险.
1.2 药物组合推荐
药物推荐是近年来一个很有前途的研究领域, 其关键挑战是如何将患者复杂的健康状况与安全有效的药物治
疗方案进行精确匹配. 这项任务依赖于对患者健康数据的准确表征、对药物属性的有效编码以及深入的领域知
识, 包括理解药物间相互作用和药物分子结构的特性. 目前, 对于药物组合推荐的研究可以大致分为 3 个主要类
别: 基于规则的推荐方法、基于实例的推荐方法以及基于纵向数据的推荐方法.
基于规则的推荐方法主要依赖于预先定义的规则库, 这些规则通常由领域专家的知识构成, 用以指导药物选
择和组合的过程. 这类方法比较少, 代表方法有: Gunlicks-Stoessel 等人 [38] 开发的一种遵循硬编码协议的药物推荐
系统, 专为青少年抑郁症患者的个性化治疗而设计. 这类方法的优势在于能够直接应用医学专家的知识和经验, 但
其往往缺乏灵活性, 难以适应不同患者的具体情况, 因此在适用性方面存在限制. 此外, 在面对复杂多变的医疗需
求时, 将这些传统规则与不断更新的医疗知识库相结合也是一大挑战.
基于实例的推荐方法则侧重于利用患者当前的健康信息构建患者表征模型, 忽略了历史问诊情况. Zhang 等
人 [39] 的研究就是一个很好的例子, 他们在多实例多标签的药物推荐框架下, 对患者当前问诊情况进行编码和建模,
从而预测药物组合. CompNet [36] 将其表述为无序马尔可夫决策过程, 通过深度 Q 学习来捕捉药物之间的相关性.
而 Gong 等人 [40] 则采用了更为复杂的方法, 通过整合多种数据源和构建大型异构图来揭示患者疾病与用药之间的
深层关系, 从而进行用药推荐. Tan 等人 [41] 提出了一个基于症状的模型, 该模型仅使用症状和药物集, 并通过比较