[AI与药物设计-29]澳门理工大学《JCIM》:MEGCAM模型元图与因果注意力赋能药物重定位!

点击上方Medicine世界即可一键订阅

欢迎课题组投稿中文宣传稿，投稿方式见文末

MEGCAM：面向异质药物–靶点–疾病知识网络的药物重定位的元图与因果注意力方法

论文信息

澳门理工大学Shirley W. I. Siu副教授团队针对现有药物重定位方法难以充分捕捉生物医学知识网络中异质信息（如多类型节点与多类型边）从而导致预测精度受限的问题，团队提出了一种名为 MEGCAM 的计算模型；该模型通过引入元图（Meta-Graph）技术，从构建的异质药物–靶点–疾病知识网络中高效提取复杂的异质结构信息，并设计了一种基于因果注意力机制的路径选择策略，用于对信息聚合过程进行有效引导与优化，从而提升药物与疾病关联预测的准确性。实验表明，该模型在两个独立数据集上的表现达到了与当前最先进方法相当的水平，并具有优异的鲁棒性和泛化能力；同时，针对阿尔茨海默病的案例研究也验证了其实际应用价值与结果可靠性。通过上述技术路径，东南大学团队所提出的 MEGCAM 方法不仅在预测精度上取得了显著提升，还增强了模型的可解释性，展示了加速治疗发现进程的广阔前景。

研究成果于2026年5月14日以题为“MEGCAM: MEta-Graph and Causal Attention Method for Drug Repurposing on Heterogeneous Drug–Target–Disease Knowledge Network”发表在《Journal of Chemical Information and Modeling》上。

图文解读

图1：展示了药物-蛋白质-疾病三类生物实体构成的异质网络结构。其中，药物（蓝）、疾病（红）、蛋白质（绿）为三种不同类型的节点，节点间通过多种关联边（如药物-疾病、药物-蛋白质、疾病-蛋白质）相互连接，形成复杂的异质信息图。该图清晰体现了生物医学知识网络的多类型节点与多类型边的共存特性，为后续利用元图（Meta-Graph）和因果注意力机制进行药物重定位预测提供了直观的数据组织范例。

图2：完整展示了 MEGCAM 模型的三大核心流程：首先（A），基于生物医学实体（药物、蛋白质、疾病）构建异质网络，并用 Node2Vec 将节点映射为低维嵌入向量；其次（B），构建元图结构并利用因果注意力机制动态选择最优信息聚合路径（见 B1 与 B2），实现对异质网络中多类型关系的高效利用；最后（C），通过 GCN 聚合节点特征，再由 sigmoid 函数输出药物-疾病关联的预测概率。该框架系统性地解决了异质信息捕捉与路径选择问题。

文章小结

本文针对现有药物重定位方法依赖人工设计元路径、可迁移性差的问题，提出 MEGCAM 模型。该模型采用元图操作聚合异质生物网络信息，并引入因果注意力机制优化信息传播方向，将药物重定位转化为链接预测任务。在两个公开基准数据集上的实验表明，MEGCAM 的 AUC 达到 0.96，F1 与 MCC 等指标均优于或媲美现有最先进方法，能够准确识别药物–疾病潜在关联。阿尔茨海默病案例研究进一步验证了模型的实际可靠性及生成可检验假设的能力。综上，MEGCAM 为降低药物研发成本、加速老药新用发现提供了高效且可解释的计算工具。

文献来源

Liu, Dongqi; Hu, Miaoting; Zhan, Xinke; Siu, Shirley W. I. (2026). MEGCAM: MEta-Graph and Causal Attention Method for Drug Repurposing on Heterogeneous Drug–Target–Disease Knowledge Network. ACS Publications. Collection.

DOI：https://doi.org/10.1021/acs.jcim.6c00440

「Medicine世界」致力于构建一个涵盖生物医学前沿、蛋白质科学创新与临床转化应用的医学领域信息平台。我们重点关注蛋白质结构解析、动态修饰机制、药物靶点开发及精准医疗应用，追踪蛋白质组学与人工智能、基因编辑、免疫工程等领域的交叉突破，坚持“科学严谨、创新驱动、临床导向”的理念，推动医学研究从分子机制到治疗实践的跨越式发展。欢迎关注，投稿联系：2394448373@qq.com