深度学习药物相互作用预测：从数据划分到图神经网络实战-北京尧图网络

简介基于深度学习的药物相互作用预测项目是一份面向药物研发与医疗信息领域的实战型资源。它聚焦如何利用图神经网络等深度模型从药物分子结构与已知副作用中识别潜在的相互作用适用于生物信息学相关课题、课程设计或科研预研。压缩包共19个文件大小仅621KB以13个Python脚本为程序主体搭配3个Jupyter Notebook完成数据转换、探索分析与模型验证并附有2张网络架构示意图及1份环境说明文本便于对照流程快速定位代码模块。整套代码源于decagon方案从分子表示、特征处理到训练评估均有清晰实现可帮助读者快速复现药物相互作用预测实验并在此基础上扩展自有数据或调整模型结构。目前已有192人学习下载适合具备Python与深度学习基础、希望进入医疗AI方向的开发者参考研习。1. 药物相互作用预测这份深度学习资源包里到底有什么药物相互作用预测是深度学习落地医药领域的一个典型方向。两种药联用会发生什么临床上往往要等不良反应报告出来才知道而深度学习的思路是在开药前就给出答案判断两个药物联用有没有风险、属于哪类机制。在 DrugBank 这类标准数据上基于分子结构的深度模型表现明显好过传统规则库。这份资源包是一套完整的 Python 实现数据清洗与分子特征化、图神经网络与注意力机制模型、训练评估脚本一条链直接拉到出指标。拆包跑一遍你会发现真正耗时的不是模型本身而是数据对齐和评估口径这些细节和坑我都会标出来。适合药物信息学方向的研究生以及想快速跑通 DDI 基线再替换自研模型的工程师。前提是配过 PyTorch 环境跟着步骤可以完整复现。2. 先把数据理清楚DDI 数据源与药物分子特征化2.1 数据源怎么选DrugBank、TWOSIDES 与 DDInter 的取舍第一次接触药物相互作用预测最容易卡住的反而不是模型而是数据集。公开的 DDI 数据集主要有三个DrugBank、TWOSIDES 和 DDInter。它们在样本量、标签类型和数据形态上的差异很大选错了会拖累后面所有环节。DrugBank 的优势在于标签质量高包含拮抗、协同、代谢、药效学等机制类型信息来源是文献和数据库审核噪声相对小。缺点是常用子集的药物对规模在八九万条左右做大规模深度学习有点紧。TWOSIDES 则相反它从 FAERS 不良反应报告里挖掘出约五十八万条药物对样本量大但标签噪声也大很多组合只是统计相关未必是真实的药理作用。DDInter 是国内团队维护的数据库不仅提供相互作用机制类型还附带严重程度分级和处理建议字段非常规整适合做多分类任务。我一般这样选如果目标是做机制分析、跑对比实验用 DrugBank 或 DDInter因为它们有明确的机制类型标签如果目标是验证大规模模型的鲁棒性用 TWOSIDES。资源包里默认用的就是 DDInter因为它字段规整既能按严重程度做二分类也能按机制做多分类省掉大量清洗时间。数据集药物对规模标签类型优势主要问题DrugBank约 8~9 万常用子集二分类/机制质量高、机制明确样本量偏紧TWOSIDES约 58 万二分类样本量大噪声大、无机制DDInter十万级机制严重度字段规整类别分布不均衡数据集的原始格式一般是三列drug1、drug2、label分别表示两个药物的标准 ID 和相互作用类型编码。第一步要做的是把 ID 映射成 SMILES 结构式因为后续特征化必须从分子结构出发。这一步资源包里已经写好映射脚本你只需要把数据文件按指定格式放进去。要注意的是不同库的药物 ID 体系不一样DrugBank 用自己的 DB IDTWOSIDES 用的是 PubChem CID混用之前必须先统一。2.2 从 SMILES 到模型输入分子指纹与分子图两种特征化路线拿到 SMILES 之后下一步是让模型“看懂”分子。主流做法分两类一类是分子指纹把 SMILES 转成固定长度的二进制向量另一类是分子图把原子和化学键构造成图结构交给图神经网络处理。分子指纹里最常用的是 Morgan 指纹也叫 ECFP它把分子里每个原子周围的圆形子结构哈希成 bit 位。参数就两个radius 控制子结构半径nBits 控制编码长度。代码如下from rdkit import Chem from rdkit.Chem import AllChem, DataStructs import numpy as np def smiles_to_fingerprint(smiles: str, radius: int 2, n_bits: int 2048): 把单条 SMILES 转成 Morgan 指纹向量 mol Chem.MolFromSmiles(smiles) if mol is None: print(fSMILES 解析失败已跳过: {smiles}) return None fp AllChem.GetMorganFingerprintAsBitVect(mol, radius, nBitsn_bits) arr np.zeros((n_bits,), dtypenp.float32) DataStructs.ConvertToNumpyArray(fp, arr) return arrradius2 表示提取半径二的环境信息也就是目标原子两跳以内的子结构nBits2048 是常见编码长度1024 也能用但两个指纹拼接后 2048 的表达力更好。SMILES 解析失败必须显式处理不要硬转。真实数据集里总有一部分 SMILES 是无效的尤其是在 TWOSIDES 这种大规模清洗出来的数据里遇到这种情况直接跳过并记录日志是标准做法。分子图路线保留完整的拓扑结构。每个原子是一个节点每条化学键是一条边节点特征用原子属性填充。下面的代码把 SMILES 转成节点特征矩阵和邻接矩阵from rdkit import Chem import torch def smiles_to_graph(smiles: str): 把 SMILES 转成节点特征邻接矩阵供 GNN 使用 mol Chem.MolFromSmiles(smiles) if mol is None: return None adj Chem.rdmolops.GetAdjacencyMatrix(mol) node_feats [] for atom in mol.GetAtoms(): # 原子序数、度数、形式电荷、氢原子数构成最简单的节点特征 node_feats.append([ atom.GetAtomicNum(), atom.GetDegree(), atom.GetFormalCharge(), atom.GetTotalNumHs() ]) return ( torch.tensor(node_feats, dtypetorch.float32), torch.tensor(adj, dtypetorch.float32) )节点特征只取四个维度这是刻意做的低配版本。加上手性、环属性、杂化状态能提升一点精度但会明显增加实现复杂度。先跑通低配版再逐步加特征是我做深度学习项目一直遵守的习惯。指纹和分子图怎么选如果机器没有 GPU或者想快速跑通基线指纹路线更省事定长向量可以直接喂给任何全连接网络。分子图路线表达力更强但实现和排错成本更高后面章节你会看到它有多容易翻车。资源包里两条路线都实现了默认跑指纹版因为它在 CPU 上也能在半小时内出结果。血泪经验先用指纹版跑通了再碰图网络别一上来就两条线并行。3. 模型搭建图神经网络与注意力机制为什么适合 DDI3.1 模型演进从 DeepDDI 的 CNN 到 GNN、注意力机制DDI 预测的模型演进其实不复杂。最早的 DeepDDI 直接把两个药物的 Morgan 指纹拼接起来喂给一个若干层 CNN 或全连接网络做分类。结构简单效果却比当时的传统机器学习方法好很多原因在于指纹本身就是用局部子结构编码的拼接后的向量里包含了两个分子子结构的共现信息。它的短板也很明显拼接没有显式建模“具体是哪两个子结构在相互作用”所有信息都靠全连接层隐式捕捉可解释性差。后来图神经网络被引入。分子天然是图把 GCN 用在分子图上每个原子通过邻接矩阵聚合邻居信息堆叠几层之后每个节点携带的就是一块局部化学环境的表示。两个药物分别过 GCN得到两个图向量再拼接预测拓扑信息比指纹保留得更完整。图网络在面对结构相似但指纹差异大的分子时优势尤其明显。再往后是注意力机制。DDI 任务里两个药物相互作用时不是所有子结构都同等重要。比如克拉霉素对辛伐他汀的代谢抑制关键作用位点就那么几个。GAT 在 GCN 的邻居聚合上加了注意力权重让模型自己学会哪些邻居贡献更大跨药物层面上也可以用交叉注意力让两个药物的节点互相打分。资源包里同时实现了 GCN 和 GAT 版本实测中 GAT 在 DrugBank 上比 GCN 高 1~2 个点的 AUROC代价是训练时间大约翻倍。选型建议很直接先跑 MLP 指纹基线确认整条数据流水线没有 bug再切 GCN 看有没有提升最后时间充裕再试 GAT。直接从 GAT 开始调参你分不清指标问题是出在模型还是出在数据。3.2 PyTorch 模型实现一条能跑通的数据流下面用 PyTorch 写一个基于指纹拼接的 DDI 预测模型这是最稳的起点import torch import torch.nn as nn class DDIPredictor(nn.Module): 基于指纹拼接的 DDI 二分类模型 def __init__(self, input_dim: int 2048, hidden_dim: int 256): super().__init__() self.fc nn.Sequential( nn.Linear(input_dim * 2, hidden_dim), nn.BatchNorm1d(hidden_dim), nn.ReLU(), nn.Dropout(0.3), nn.Linear(hidden_dim, hidden_dim // 2), nn.ReLU(), nn.Dropout(0.3), nn.Linear(hidden_dim // 2, 1) ) def forward(self, fp1: torch.Tensor, fp2: torch.Tensor): pair torch.cat([fp1, fp2], dim-1) return self.fc(pair).squeeze(-1)forward 里把两个药物的指纹在最后一维拼接得到 4096 维向量再过三层全连接。添加 BatchNorm 和 Dropout 是刻意的指纹维度高模型很容易过拟合Dropout0.3 属于中等强度正则BatchNorm 在训练早期能明显稳定 loss 曲线实测不加的话收敛要慢不少。初始化部分model DDIPredictor(input_dim2048, hidden_dim256) criterion nn.BCEWithLogitsLoss() optimizer torch.optim.Adam(model.parameters(), lr3e-4, weight_decay1e-5)用 BCEWithLogitsLoss 而不是先算 Sigmoid 再算 BCELoss因为前者把 Sigmoid 和交叉熵合并成一步数值上更稳定。这个细节在动手深度学习这本书里反复强调过。lr3e-4 是 Adam 在中小数据集上的常规起点weight_decay1e-5 给一点 L2 正则。如果是多分类把最后一层输出维度改成类别数损失换成 CrossEntropyLoss其余不用动。资源包里两种 loss 都写了靠配置文件切换不用改模型代码。想跑分子图版一个演示用 GCN 单层长这样class GCNLayer(nn.Module): def __init__(self, in_dim: int, out_dim: int): super().__init__() self.W nn.Linear(in_dim, out_dim) def forward(self, x: torch.Tensor, adj: torch.Tensor): # 度归一化防止高连接度节点聚合后数值膨胀 deg adj.sum(dim-1, keepdimTrue) 1e-6 adj_norm adj / deg return torch.relu(self.W(torch.matmul(adj_norm, x)))归一化用的是 D⁻¹A 而不是对称归一化虽然 D⁻¹/²AD⁻¹/² 理论上更优雅但手写实现里 D⁻¹A 更直观、不容易错。两个药物分子图分别过几层 GCN做全局均值池化得到图向量再拼接过 MLP后续流程和指纹版完全一致。实际项目我建议直接用 PyTorch Geometric 的 GCNConv它在稀疏矩阵和消息传递上有大量优化手写版只适合理解原理。参数上注意图节点特征维度要和第一层 GCN 的 in_dim 对齐前面定的四个原子属性对应 in_dim4池化方式默认用均值池化它对分子大小不敏感想保留分子大小信息再换求和池化。4. 训练与评估数据划分、损失函数与指标解读4.1 数据划分随机划分与药品级划分的差异训练之前必须决策的一件事怎么把数据集切成训练、验证、测试三份。这里藏着新手最容易踩的大坑数据泄漏。最直观的做法是按药物对随机划分也就是把数据文件直接打乱按比例切出测试集。但这样训练集和测试集会包含同一个药物的不同组合。比如药物 A 和 B 的组合在训练集A 和 C 的组合在测试集模型训练时已经见过 A 的表示测试时对 A 有记忆指标自然虚高。论文里很多夸张的 0.98 AUROC 就是这么来的。正确做法是药品级划分先把所有唯一药物取出来按药物切分再筛选对应的药物对from sklearn.model_selection import train_test_split unique_drugs sorted(set(df[drug1]) | set(df[drug2])) train_drugs, test_drugs train_test_split( unique_drugs, test_size0.2, random_state42 ) train_pairs df[ df[drug1].isin(train_drugs) df[drug2].isin(train_drugs) ] test_pairs df[ df[drug1].isin(test_drugs) df[drug2].isin(test_drugs) ]test_size0.2 是常规比例random_state42 固定下来保证每次实验划分一致。药品级划分下测试集的药物在训练时完全没见过评估的是真正的泛化能力。两组实验对比往往差距很大随机划分 AUROC 能到 0.95药品级划分可能只有 0.80 左右中间这一截就是数据泄漏制造出来的假象。再进一步可以做 scaffold split用 RDKit 的 MurckoScaffold 把药物按分子骨架聚类从不同骨架簇里切分。这样测试集不仅药物是新的骨架结构也是新的泛化挑战更大更接近真实部署时面对新化学实体的场景。资源包里三种划分都实现了默认走药品级划分。4.2 训练循环与超参数一份可以直接改的配置训练循环本身不复杂但有三个细节影响收敛质量。一是要固定种子二是每次 epoch 末尾跑验证集三是先小轮数跑通再放量。下面是一个标准训练循环from torch.utils.data import DataLoader, TensorDataset dataset TensorDataset( torch.tensor(fp1s), torch.tensor(fp2s), torch.tensor(labels) ) train_loader DataLoader(dataset, batch_size128, shuffleTrue, num_workers0) epochs 30 for epoch in range(epochs): model.train() total_loss 0 for fp1_batch, fp2_batch, label_batch in train_loader: pred model(fp1_batch, fp2_batch) loss criterion(pred, label_batch.float()) optimizer.zero_grad() loss.backward() optimizer.step() total_loss loss.item() print(fepoch {epoch1}/{epochs}, loss: {total_loss / len(train_loader):.4f})batch_size128 是折中值指纹向量维度高batch 太大显存吃紧太小收敛慢。epochs 不要一口气设 200先 30 轮看 loss 曲线验证集指标还在涨就继续已经下降就提前停。这个循环刻意没放学习率衰减Adam 搭配 3e-4 在多数情况下不用调不要在这个阶段急着玩玄学调参先把数据流跑对。评估指标方面二分类看 AUROC 和 AUPRC。AUROC 对类别不均衡不敏感而 DDI 数据集正负样本比例往往悬殊所以 AUPRC 更值得盯它直接反映模型在正样本上的查准与查全权衡。多分类看宏观 F1也就是每个类别分别算 F1 再取平均防止样本多的类别把指标撑起来。from sklearn.metrics import roc_auc_score, average_precision_score model.eval() with torch.no_grad(): all_preds, all_labels [], [] for fp1_batch, fp2_batch, label_batch in test_loader: pred torch.sigmoid(model(fp1_batch, fp2_batch)) all_preds.extend(pred.numpy()) all_labels.extend(label_batch.numpy()) print(AUROC:, roc_auc_score(all_labels, all_preds)) print(AUPRC:, average_precision_score(all_labels, all_preds))评估前必须先 model.eval()关闭 Dropout 和 BatchNorm 的训练状态否则同一批数据两次预测的结果都不一样。收集预测值时要先过 sigmoid 再存因为模型输出的是 logits。这个细节漏了指标计算全是错的。提示新数据集第一次跑通后先保存一份预测结果到 CSV和原始标签做人工核对再决定要不要进入调参阶段。这个习惯能帮你把数据管道错误和模型问题分开排查。5. 避坑指南环境、数据泄漏与可复现性5.1 坑一RDKit 环境冲突脚本一跑就崩现象导入 rdkit 时报ImportError: libstdc.so.6: version CXXABI_1.3.11 not found或者提示找不到模块但明明执行过 pip install rdkit。原因RDKit 是 C 编译的二进制轮子对系统的 libstdc 版本有要求pip 安装时不会帮你校验这些底层依赖。另一个常见情况是 conda 和 pip 混装RDKit 装到了 A 环境代码却在 B 环境跑。这套深度学习环境配置的问题占了 DDI 项目排错时间的大部分。解决用 conda 装不要用 pip。conda install -c conda-forge rdkit会把依赖一起解析好我在 Ubuntu 和 macOS 上都验证过这条路最省心。装完先跑一句from rdkit import Chem验证再继续别等整个脚本跑起来才发现环境是坏的。5.2 坑二随机划分导致隐性数据泄漏现象用随机划分训练测试集 AUROC 高达 0.95模型看起来近乎完美换成药品级划分后重测指标掉到 0.78。原因训练集和测试集共享了大量药物模型在训练时见过这些药物的指纹表示测试相当于开卷考试。DDI 预测的核心挑战是泛化到没见过的药物随机划分恰好把这个挑战绕掉了。解决强制走药品级划分或更进一步做 scaffold split。写论文时如果实验设置是随机划分审稿人大概率会质疑结果。这个坑没有后悔药只能把数据划分逻辑写在训练脚本之前先从 set 层面去重再跑。5.3 坑三类别不平衡让稀有机制类型被模型吞掉现象多分类训练时 loss 正常下降但某个稀有机制类型的精确率和召回率始终是 0预测结果里这个类别一次都没出现过。原因DDInter 的机制类型分布是长尾的少数几个类型占了大半样本稀有类型可能只有几十条。CrossEntropyLoss 被多数类主导模型发现“全部预测成多数类”反而是最小化 loss 的最优策略。解决给损失函数加类别权重或改用 Focal Loss。类别权重按逆频率计算class_weight n_samples / (n_classes * np.bincount(labels))传给 CrossEntropyLoss 的 weight 参数。加完之后稀有类别召回率通常能提升 10 个点左右代价是多数类略微下降这个取舍是值得的。5.4 坑四分子图批处理时节点数不一致现象用分子图训练报错stack expects each tensor to be equal size或者 DataLoader 跑到第二个 batch 就崩。原因不同药物的分子大小不同原子数不一样邻接矩阵维度也不同。PyTorch 的默认 TensorDataset 要求所有样本维度一致分子图天然不满足这个前提。解决两个方案。粗暴的做法是 padding 补齐到最大节点数再用 mask 屏蔽填充区域正规做法是用 PyTorch Geometric 的Batch.from_data_list()自动把图列表打包成稀疏格式消息传递时按 batch 索引区分不同图。建议直接上 PyG手写 padding 的 mask 逻辑很容易漏而且稀疏格式在大分子上的显存占用比稠密矩阵低得多。5.5 坑五随机种子没固定同一脚本结果对不上现象同一个脚本连着跑两次AUROC 差别 2~3 个点排查半天以为代码变了其实是随机性在作祟。原因模型参数初始化、数据 shuffle、Dropout 都有随机性。不固定种子训练集划分顺序一变模型学到的内容就会有偏差。解决在脚本最开头固定所有能固定的随机源。import random import numpy as np import torch random.seed(42) np.random.seed(42) torch.manual_seed(42) if torch.cuda.is_available(): torch.cuda.manual_seed_all(42) torch.backends.cudnn.deterministic True torch.backends.cudnn.benchmark Falsecudnn.benchmark 设成 False 会牺牲一点训练速度但换来确定性做实验对比时必须开启。资源包里的入口脚本已经把这套种子设置写在最前面我的习惯是永远不删。6. 进阶新药冷启动与小样本验证前面流程隐含一个前提新药物有足够的交互历史数据参与训练。但真实场景里一个新合成的化合物没有任何历史 DDI 记录这就是冷启动问题。实际需求恰恰常常是“这个新药和已经在市面上的药联用安不安全”。两个可行的进阶思路。第一个是迁移预训练分子表示用 Mol2Vec 或 ChemBERTa 这类在大规模分子库上预训练过的编码器把 SMILES 转成稠密向量替代或拼接到 Morgan 指纹上。好处是这些表示里已经包含大量化学先验知识新药即使没有 DDI 历史也能获得合理的向量表示。成本是预训练模型体积大、推理慢部署时要额外考虑计算资源这属于深度学习模型部署的常规问题。第二个思路是把 DDI 预测做成相似性检索。用 Morgan 指纹算新药和已知药物的 Tanimoto 相似度取出最相似的 K 个药物再用它们的交互类型做加权投票。听起来朴素但在冷启动场景里非常实用尤其适合快速风险筛查。资源包里带了这样一个工具函数from rdkit import Chem from rdkit.Chem import AllChem, DataStructs def cold_start_ddi(new_smiles: str, known_drugs: list, k: int 5): 基于相似性检索的冷启动 DDI 风险粗筛 new_mol Chem.MolFromSmiles(new_smiles) new_fp AllChem.GetMorganFingerprintAsBitVect(new_mol, 2, nBits2048) scores [] for drug_id, smiles, labels in known_drugs: mol Chem.MolFromSmiles(smiles) fp AllChem.GetMorganFingerprintAsBitVect(mol, 2, nBits2048) sim DataStructs.TanimotoSimilarity(new_fp, fp) scores.append((sim, drug_id, labels)) scores.sort(reverseTrue, keylambda x: x[0]) return scores[:k]函数返回相似度最高的 K 个已知药物及其交互记录人工审核这些记录就能对新药的联合用药风险有个快速判断。它替代不了深度学习模型但在模型没有历史数据可学时是一个兜底方案。最后说我自己的一个验证习惯。每次训练完模型我不只看测试集指标还强制自己跑一遍小样本冒烟测试挑 5~10 对药理上非常明确的组合比如克拉霉素辛伐他汀已知高风险、阿司匹林华法林已知出血风险、二甲双胍阿卡波糖已知低风险把它们的 SMILES 喂给模型看预测结果是否符合常识。模型在测试集上再漂亮对这三组判断错了说明学到的是数据分布偏差而不是化学规律毕竟模型本质上是个黑匣子指标会骗人抽查不会。从那以后我每次跑完 DDI 模型第一件事就是过这份小样本清单指标再高也得先过这一关。希望帮到你。本文还有配套的精品资源点击获取

深度学习药物相互作用预测：从数据划分到图神经网络实战

相关推荐

消费电子产品可维修性设计核心原则与实践

高校电动车租赁系统为何必须用SpringBoot

网络协议梳理与抓包排障实战指南

更多资讯

中文影评情感分析系统：BiLSTM-CRF工程实践指南

二维数组与函数：编程基础与性能优化实战

Flink流原生架构与生产级容错实践指南

基于YOLOv8的手势识别系统开发与优化实践

人大金仓V9 Windows初始化失败：sys_ctl报‘不是数据库集群目录’的根因与修复

OpenClaw开源AI技术在小龙虾养殖中的应用与部署指南

今日更新

Agent-Reach：打通大模型触达外部系统的最后一公里

深度学习图像隐写分析实战：从CNN原理到毕设源码全解析

AI赋能知识产权供需匹配：专利评估、需求挖掘与多路召回工程实践

本周精选

防幻觉智能体架构：电源硬件设计中的大模型编排与工具化实践

OpenGL面试核心考点：渲染管线、矩阵变换与性能排查全解析

全国计算机二级C语言真题PDF高效刷题指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？