Le Reti Neurali Grafiche Migliorano la Previsione del Tipo di Interazione Farmaco-Farmaco
Un nuovo studio su arXiv (2605.27861) confronta sistematicamente tre architetture di Reti Neurali Grafiche per prevedere i tipi di interazione farmaco-farmaco. Utilizzando un dataset di riferimento di 38.337 coppie positive su 86 tipi di interazione, i ricercatori hanno scoperto che una doppia Rete Neurale a Passaggio di Messaggi con attenzione incrociata a quattro teste (CrossAtt) migliora l'F1-macro multiclasse del 45% rispetto a un semplice modello di concatenazione, mentre l'AUC di rilevamento binario migliora solo dell'1,3%. Ciò conferma che la comunicazione intermolecolare a livello atomico consente specificamente la classificazione del tipo di meccanismo.
Fatti principali
- 1. Lo studio confronta tre architetture GNN per la previsione DDI
- 2. Dataset: 38.337 coppie positive, 86 tipi di interazione
- 3. CrossAtt migliora l'F1-macro multiclasse di +0,186 assoluto (+45%)
- 4. L'AUC binaria migliora solo di +0,012 (+1,3%)
- 5. L'attenzione incrociata consente la classificazione del tipo di meccanismo
- 6. Architetture: doppia MPNN siamese con Concat, doppia MPNN con CrossAtt, MPNN ternaria
- 7. Condizioni di addestramento identiche con n=61.339 coppie
- 8. Pubblicato su arXiv con ID 2605.27861
Entità
Istituzioni
- arXiv