DỰ ĐOÁN TƯƠNG TÁC THUỐC DỰA TRÊN CẤU TRÚC PHÂN TỬ SỬ DỤNG MẠNG NƠ-RON ĐỒ THỊ

Abstract

Bài toán dự đoán tương tác thuốc - thuốc là một trong những bài toán quan trọng trong lĩnh vực y sinh, nhằm phát hiện sớm các tương tác bất lợi giữa các loại thuốc và hỗ trợ quá trình điều trị an toàn, hiệu quả. Trong luận văn này, một mô hình học sâu dựa trên đồ thị được đề xuất nhằm nâng cao hiệu suất dự đoán DDI. Cụ thể, mô hình được phát triển dựa trên kiến trúc GAT kết hợp Co-Attention (SSI-DDI)[1] và được cải tiến bằng cách thay thế bằng Graph Isomorphism Network nhằm tăng cường khả năng học biểu diễn cấu trúc đồ thị phân tử. Đồng thời, cơ chế Multi-Co-Attention được tích hợp để khai thác hiệu quả hơn các mối quan hệ tương tác phức tạp giữa các cặp thuốc thông qua nhiều không gian biểu diễn khác nhau. Mô hình được huấn luyện và đánh giá trên tập dữ liệu DrugBank, đồng thời kiểm chứng khả năng tổng quát hóa trên tập dữ liệu độc lập TWOSIDE. Kết quả thực nghiệm cho thấy mô hình đề xuất đạt hiệu suất vượt trội so với mô hình gốc trên các chỉ số quan trọng như ROC-AUC, AUPRC và F1-score. Phân tích ablation study cũng chỉ ra rằng cả hai thành phần GIN và Multi-Co-Attention đều đóng góp tích cực vào việc cải thiện hiệu năng. Đặc biệt, mô hình vẫn duy trì kết quả ổn định trên tập dữ liệu ngoài phân phối, cho thấy khả năng tổng quát hóa tốt và tiềm năng ứng dụng trong các hệ thống hỗ trợ y sinh thực tế. Từ khóa: Dự đoán tương tác thuốc, Graph Neural Network, Graph Isomorphism Network, Multi-Co-Attention, DrugBank, TWOSIDE. Drug-Drug Interaction (DDI) prediction is a critical task in biomedical research, aimed at identifying potential adverse drug interactions and improving treatment safety. In this thesis, a graph-based deep learning model is proposed to enhance the performance of DDI prediction. Specifically, the model is developed from the baseline GAT with CoAttention (SSI-DDI) [1] and improved by replacing it with a Graph Isomorphism Network to enhance graph representation learning. In addition, a Multi-Co-Attention mechanism is introduced to better capture complex interaction patterns between drug pairs through multiple representation subspaces. The proposed model is trained and evaluated on the DrugBank dataset and further validated on the independent TWOSIDE dataset to assess its generalization ability. Experimental results demonstrate that the proposed model significantly outperforms the baseline across key metrics, including ROC-AUC, AUPRC, and F1-score. Ablation study results also confirm that both GIN and Multi-Co-Attention contribute positively to overall performance. Furthermore, the model maintains strong performance on out-ofdistribution data, indicating its robustness and generalization capability. These findings highlight the effectiveness and practical potential of the proposed approach for DDI prediction tasks. Keywords: Drug–Drug Interaction prediction, Graph Neural Networks, Graph Isomorphism Network, Multi-Co-Attention, DrugBank, TWOSIDE.