- 2 次围观
抗菌素耐药性（AMR）对高效识别有效抗菌药物联合方案的策略提出了迫切需求。联合治疗，包括将抗菌肽（AMPs）与传统抗生素配对，是一种很有前景的方法，但针对药物组合及细菌靶标开展穷尽式实验筛选并不现实。本研究提出了一种基于混合图卷积网络（GCN）的超图神经网络（HGNN），用于预测抗菌药物组合针对细菌靶标的作用结果。每个“抗菌药物–抗菌药物–细菌”三元组被表示为一条三元超边，从而使模型能够学习具有上下文依赖性的相互作用模式。该框架将源自 SMILES 的抗菌药物分子图嵌入（包括传统抗生素和抗菌肽）与源自分类学的细菌表征相结合。预测任务被表述为一个三分类问题：协同、拮抗和无相互作用。无相互作用类别包括经实验验证的无差异记录，以及通过负采样生成的、合成的推定无相互作用三元组。模型开发采用了按药物对分组的数据划分方式，在训练/验证分区内进行五折分组交叉验证，并最终在独立留出的测试集上进行评估。 在留出的三分类测试集上，所选的基于 GCN 的 HGNN 实现了 0.83 的准确率、0.84 的加权 F1 分数、0.80 的宏平均 F1 分数以及 0.95 的 ROC-AUC。按类别评估显示，协同、拮抗和无相互作用类别的准确率分别为 0.80、0.92 和 0.85。药物对类型分析表明，该模型在 AMP–AMP、AMP–传统抗生素以及传统抗生素–传统抗生素组合上均表现出较强性能。这些发现表明，基于超图的表征学习能够支持对抗菌药物组合进行计算优先级排序，以供后续实验验证。未来仍需进一步研究以提升模型的可解释性，并对预测的协同组合开展前瞻性验证。
抗微生物耐药性（AMR）的加剧迫切需要高效策略来识别有效的抗菌药物组合。联合治疗，包括将抗菌肽（AMP）与传统抗生素配对，是一种很有前景的方法，但针对药物对和细菌靶标开展穷尽式实验筛选在实践中并不可行。本研究提出了一种基于混合图卷积网络（GCN）的超图神经网络（HGNN），用于预测针对细菌靶标的抗微生物药物组合结果。每个“抗微生物药物—抗微生物药物—细菌”三元组被表示为一个三元超边，使模型能够学习依赖于具体情境的相互作用模式。该框架整合了来源于 SMILES 的抗微生物药物分子图嵌入（包括传统抗生素和抗菌肽）以及来源于分类学的细菌表征。
预测任务被构建为一个三分类问题：协同、拮抗和无相互作用。无相互作用类别包括经实验证实的无差异记录，以及通过负采样生成的合成推定无相互作用三元组。模型开发采用了按药物对分组的数据划分方式，在训练/验证分区内进行五折分组交叉验证，并最终在独立留出的测试集上进行评估。在留出的三分类测试集上，所选的基于 GCN 的 HGNN 取得了 0.83 的准确率、0.84 的加权 F1 分数、0.80 的宏平均 F1 分数以及 0.95 的 ROC-AUC。分类别评估显示，协同、拮抗和无相互作用的准确率分别为 0.80、0.92 和 0.85。药物对类型分析表明，该模型在 AMP-AMP、AMP-传统抗生素以及传统抗生素-传统抗生素组合上均表现出较强性能。
这些发现表明，基于超图的表征学习能够支持对抗微生物组合进行计算优先级排序，以指导后续实验验证。未来仍需进一步研究以提升模型的可解释性，并对预测的协同组合开展前瞻性验证。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.09.731104v1?rss=1
🏷️ 抗菌药物组合 超图神经网络 协同作用预测 抗菌肽 细菌靶标 抗菌素耐药性