다중클래스 약물 간 상호작용 예측을 위한 맘바 아키텍처 활용 기법
Leveraging the Mamba Architecture for Multi-Class Drug-Drug Interaction Prediction
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구에서는 Mamba 시퀀스 모델링 아키텍처를 활용한 다중 클래스 DDI 예측 딥러닝 프레임워크를 제안한다. 제안 모델은 글로벌 오토인코더, Siamese 기반 인코더, Mamba 기반 듀얼 인코딩이라는 세 가지 모듈로 구성되며, 약물쌍의 다양한 특성 정보를 개별적으로 학습한 뒤 이를 효과적으로 융합한다. 이후 Mamba 레이어를 통해 약물 간 상호작용 표현을 한층 강화하여 관계 정보를 풍부하게 반영한다. 특히 Mamba 구조는 선택적 상태공간 모델링(selective state space modeling) 을 기반으로 하여 입력의 중요도에 따라 정보를 동적으로 반영할 수 있으며, 트랜스포머 대비 계산 복잡도가 낮으면서도 장기 의존성(long-range dependency)을 효과적으로 학습할 수 있는 구조적장점을 가진다. 또한 모듈별 중간 표현을 활용한 정보 통합은 다양한 수준의 약물 표현을 반영하는 데 유리하게 작용한다. 본 연구는 이러한 구조를 통해 약물 특성 간 비선형적 상호작용과 시퀀스 내 의미적 관계를 정교하게 모델링하였다. 실험 결과, 제안한 모델은 공개된 DDI 벤치마크데이터셋의 Task 1~3 전반에서 기존 모델보다 우수한 정확도와 일반화 성능을 기록하였다.
Abstract
In this study, we propose a multi-class drug–drug interaction (DDI) prediction framework based on the Mamba sequence modeling architecture. The proposed model consists of three modules—a global autoencoder (AE1), a Siamese-based encoder (AE2), and a dual encoding module using Mamba (MambaSeparate)—each of which independently captures diverse drug pair features and integrates them for final classification. A subsequent Mamba layer further enhances the representation of drug–drug interactions by enabling information fusion across modules. Notably, the Mamba architecture leverages selective state space modeling to dynamically control information flow based on input significance, offering efficient long-range dependency modeling with lower computational complexity compared to transformers. The use of intermediate embeddings from each module facilitates representation learning at multiple semantic levels. Our framework effectively captures non-linear relationships and sequential interaction patterns between drugs. Experimental results on benchmark datasets demonstrate that the proposed model consistently outperforms existing methods across Tasks 1 to 3, achieving superior accuracy and generalization performance.