.png){kind=icon}
返回
Structural complementarity-aware molecular representation learning for medication recommendation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2026.114840.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为准确实现药物推荐，近期研究聚焦于提取适当的分子结构嵌入以捕捉药理机制。基于二维（2D）模态表示，现有工作整合三维（3D）结构信息并采用对比学习获取模态不变嵌入。本文识别了现有多模态分子表示方法的两个关键局限性。首先，同一分子的不同模态包含传递共同语义的共享特征和提供互补结构信息的模态特定特征。未区分的对齐策略会导致模态特定信息丢失。其次，嵌入的简单拼接可能导致模态坍塌，其中信息更丰富的3D模态主导并抑制2D模态。为克服这些问题，我们提出结构互补感知的药物推荐分子表示学习框架（SCAMed），旨在实现共享信息的精确对齐、结构互补模态特定信息的高效提取以及平衡的多模态融合。具体而言，在表示提取阶段，我们引入正交分解模块，将2D和3D分子编码分离为三个解耦分量：2D特定、3D特定和共享特征。在融合阶段，我们设计基于重构的学习策略，强制融合表示精确重构原始2D和3D嵌入，有效缓解模态坍塌。最后，融合的分子表示与患者电子健康记录（EHR）数据整合用于药物预测。在重症监护医学信息集市III（MIMIC-III）和IV（MIMIC-IV）数据集上的全面实验表明，本框架显著优于当前最佳基线方法。
Keyword:
molecular representation
medication recommendation
multimodal learning
contrastive learning
modality-specific features
期刊
IF:
8
论文数:
5.7K
被引数:
3.5W
机构
引用论文
Structure-Activity Relationship Study and Design Strategies of Hydantoin, Thiazolidinedione, and Rhodanine-Based Kinase Inhibitors: A Two-Decade Review.png)
ACS OMEGA
OAAI
ACS OMEGAIF4.3
OAAI分享收藏分享收藏CIDGMed: Causal Inference-Driven Medication Recommendation with Enhanced Dual-Granularity LearningCIDGMed：基于因果推断的增强型双粒度学习药物推荐
PREAI
分享收藏KAMPNet: multi-source medical knowledge augmented medication prediction network with multi-level graph contrastive learningKAMPNet: 具有多级图对比学习的多源医学知识增强用药预测网络OAAI
OAAI分享收藏分享收藏
查看更多内容