融媒中心讯/药物不良反应预测一直是药物研究领域的难题和痛点。2024年8月27日，福州大学翁祖铨教授团队联合福建医科大学附属第一医院王彪教授团队和MetaNovas Biotech Inc.的罗衡博士，在《Nature Machine Intelligence》（《自然机器智能》）在线发表了题为“Learning motif-based graphs for drug–drug interaction prediction via local–global self-attention”的研究论文，通过医工结合新型的交叉研究模式为解决药物相互作用预测提供了新的思路和方法。

药物联用在临床上是治疗疾病的常见手段，然而，药物联用常导致不良反应增加，进而导致病人病情加重及增加死亡风险；同时也是导致药物退市的主要原因之一。大多数药物相互作用与药物代谢有关，由于判断代谢相互作用的方法通常是来自于临床试验或者医院的药物配伍禁忌系统，且药物相互作用的数量庞大，传统方法难以遍历所有代谢药物相互作用。

本研究以代谢相互作用的生物学机制为基础，基于模体（motif）图构建了一个名为MeTDDI的深度学习模型，用于预测药物相互作用与代谢酶之间的关系；同时还可以预测由于代谢相互作用引起药物血药浓度变化。MeTDDI在两个预测任务都取得先进的预测性能，为高通量准确地预测药物相互作用提供支持。此外，该模型能够解释药物的潜在相互作用机制，为争议中的代谢相互作用机制提供了新视角，为高通量药物结构优化提供了高效、准确的方法。该研究的发表为药物相互作用预测研究指明了新方向，有助于药物设计，并降低多重用药环境中的不良反应发生率，促进更安全的合理用药。

MeTDDI的整体架构

《Nature Machine Intelligence》（《自然机器智能》）是国际顶级期刊《Nature》的子刊，其影响因子和谷歌指数均名列前茅，覆盖计算生物学、机器学习、人工智能等多个领域。福州大学计算机与大数据学院（软件学院）博士研究生钟意和李杲正为本研究的第一作者和共同第一作者。在我校积极提倡医工交叉融合研究的大背景下，这是首次通过生物科学与工程学院和计算机与大数据学院联合攻关取得的重要成果。（赵雪茹）