确定药物发生某种副作用的频率对药物研发和临床使用有十分重要的意义。三期临床试验是确定药物副作用频率的传统方法， 但是这种方法会消耗大量的资源， 同时由于药物副作用的不确定性， 临床试验的设计和志愿者的招募受到了多方面的挑战。通过深度学习方法， 可以更加高效地预测药物副作用的频率， 为临床试验 和应用提供指导。本研究通过综合利用药物和副作用的相似度信息， 以及药物的化学结构信息， 完成药物副作用频率预测。本研究通过多维度卷 积和分子transformer分别提取相似度特征和结构特征， 配合新设计的损失函数， 算法性能优于其他SOTA算法。案例研究中， 新设计的关联预测加频率预测框架更加适合 实际的使用场景。
表1. 频率预测十折交叉验证比较结果
表2. 关联预测十折交叉验证比较结果
表3. 模拟新药物频率预测十折交叉验证比较结果
表4. 模拟新药物关联预测十折交叉验证比较结果
表5. Fluconazole案例研究结果
[1] Rossi S, editor. Australian Medicines Handbook 2006. Adelaide: Australian Medicines Handbook; 2006.
[2] Craig, Timothy J.. "Adverse reactions to fluconazole: Illustrative case with focus on desensitization" Journal of Osteopathic Medicine, vol. 97, no. 10, 1997, pp. 584-584.
表6. Sertraline案例研究结果
[1] Fernandez, Antony, Suji E. Bang, and W. Victor R. Vieweg. "Cardiovascular side effects of newer antidepressants." Anatolian Journal of Cardiology/Anadolu Kardiyoloji Dergisi 7, no. 3 (2007).