| 评审组： | 计算机与系统科学组 | | 项目名称： | 基于多粒度表征学习的复杂类型药物相互作用识别方法 |
| 提名单位： | 陕西省教育厅 |
| 提名等级： | 二等奖 |
| 提名单位意见： | 该项目面向用药安全中的复杂类型药物相互作用识别问题，从“宏观拓扑解析-微观结构挖掘-本体靶点识别”三个粒度层次全面系统地研究了药物相互作用表征方法。首先，从微观层面回答了“哪些化学片段主导药物间相互作用”这一医药和临床专家关心的科学问题，揭示了成对化学子结构是决定特定类型药物相互作用的主要原因。其次，从宏观层面揭示了药物相互作用网络的拓扑特性：低维嵌入近邻特性和二元弱平衡拓扑特性，挖掘了药物相互作用网络中的药理社区。最后，从本体层面揭示药物–蛋白质作用的多层次分子表征规律，阐明了不同分子信息与深度模型对作用靶点识别的协同机制，构建了完整的数据、特征与方法学支撑体系。
研究成果选题准确，研究起点高，理论有创新，国内外引用率较高，受到了国内外学术界的好评和认可，对相关研究有引领和示范作用，有重要的学术价值和理论意义，对学科建设和经济社会发展有重要的指导作用。成果材料齐全、规范，无知识产权纠纷，人员与排序无争议，符合陕西省自然科学奖提名条件。 |
| 项目简介： | 
|
| 客观评价： | 
|
| 代表性论文专著目录： | 
|
| 主要完成人情况： | - 姓名：施建宇
排名：1
行政职务：无
技术职称：教授
工作单位：西北工业大学
完成项目时所在单位：西北工业大学
对本项目主要学术贡献：针对用药安全中难以识别复杂类型药物相互作用这一挑战中的特征表征不精准、拓扑信息挖掘不足、新药物泛化能力弱、可解释性缺失、作用靶点关联机制割裂等一系列科学问题，提出了面向药物相互作用（DDI）预测的“宏观拓扑解析-微观结构挖掘-本体靶点识别”多粒度表征学习基础理论与方法体系，支撑了全部三项重要科学发现。此外，提出平衡正则化半非负矩阵分解算法BRSNMF，对应于第二项重要科学发现中的第二点。相关贡献由全部5篇代表性论文证明。
- 姓名：于会
排名：2
行政职务：无
技术职称：副教授
工作单位：西北工业大学
完成项目时所在单位：西北工业大学
对本项目主要学术贡献：从计算层面解析成对化学子结构介导DDI的内在逻辑，合作揭示两项关键认识：一是特定成对化学子结构是介导同种药物‑药物相互作用的重要结构单元；二是采用任务驱动的自适应子结构学习，能够缓解人工预定义子结构带来的先验偏差，改善模型对新药物的预测泛化能力。以上两项对应表四中“重要科学发现1”。上述理论分析与方法构思，为项目微观子结构交互规律、自适应分子表征优化两项科学发现提供重要支撑，是系列代表性论文方法学创新的重要组成部分。是代表性论文1，2的联合通讯作者。
- 姓名：冯月华
排名：3
行政职务：无
技术职称：副教授
工作单位：西安石油大学
完成项目时所在单位：西北工业大学
对本项目主要学术贡献：本人作为代表性论文 3 的第一作者，围绕药物相互作用智能预测开展了关键方法研究，对应“四、重要科学发现”第 2 项。针对传统方法难以充分挖掘药物关联结构及复杂非线性作用关系的问题，构建 DPDDI 深度预测框架，利用图卷积网络从药物相互作用网络中学习药物拓扑结构表征，并结合深度神经网络实现药物相互作用的精准预测，验证了网络拓扑信息与深度非线性建模对提升 DDI 预测性能的重要作用。该成果被国际同行综述纳入代表性方法统一比较，并被后续研究作为基线模型广泛对比，为项目建立从分子作用表征到药物相互作用智能预测的理论与方法体系作出了实质性贡献。相关贡献由代表性论文 3 证明。
- 姓名：杜冰雪
排名：4
行政职务：无
技术职称：无
工作单位：西北工业大学
完成项目时所在单位：西北工业大学
对本项目主要学术贡献：针对复杂药物相互作用的本体靶点作用基础，项目系统梳理并比较了化合物–蛋白质相互作用（CPI）预测中的不同数据资源、分子表征及深度学习模型的特点与适用范围。为进一步解析药物–药物相互作用的作用本体靶标提供了理论依据。区别于同期主要围绕单一模型结构和预测性能开展的CPI研究，实现了从“模型性能优化”向“数据—表征—模型协同规律认识”的拓展，揭示了药物作用靶点识别中不同尺度分子信息具有层次互补性、药物与蛋白质双侧信息具有协同性的共性规律。以第一作者身份完成【代表作5】的方法设计、模型构建与实验分析。
|
| 主要完成单位： | - 单位名称：西北工业大学
单位贡献：针对用药安全中难以识别复杂类型药物相互作用（DDI）这一挑战中的特征表征不精准、拓扑信息挖掘不足、新药物泛化能力弱、可解释性缺失、作用靶点关联机制割裂等一系列科学问题，提出了“宏观拓扑解析-微观结构挖掘-本体靶点识别”多粒度表征学习的基础理论与方法体系，支撑了第一项和第三项科学发现的全部内容，以及第二项科学发现的第二点内容。首先，从微观层面揭示成对化学子结构是决定特定类型DDI的主要原因，提升了诱发多类型药代动力学特性的DDI预测精度、可解释性与冷启动下新药的泛化能力。其次，从宏观层面揭示DDI网络的二元弱平衡拓扑特性，提升了DDI上下调药理类型识别的精度、可解释性与冷启动下泛化能力。最后，从本体层面揭示药物–蛋白质作用的多层次分子表征规律，阐明不同分子信息与深度模型对作用靶点识别的协同机制，构建了完整的数据、特征与方法学支撑体系。
- 单位名称：西安石油大学
单位贡献：针对传统方法难以充分挖掘药物关联结构及复杂非线性作用关系的问题，构建 DPDDI 深度预测框架，利用图卷积网络从药物相互作用网络中学习药物拓扑结构表征，并结合深度神经网络实现药物相互作用的精准预测，从宏观层面揭示 DDI 网络呈现出低维嵌入近邻特性，提升了 DDI 判定的精度。该成果被国际同行综述纳入代表性方法统一比较，并被后续研究作为基线模型广泛对比，为项目建立从分子作用表征到药物相互作用智能预测的理论与方法体系作出了实质性贡献。
|
| 完成人合作关系说明： | 完成人合作关系说明：1
|
