Des expériences in vitro et des essais cliniques peuvent être effectués pour identifier les interactions médicament – médicament (Li et al., 2016; Ryall et Tan, 2015), mais le dépistage systématique combinatoire des candidats à l`interaction médicament-médicament reste difficile et coûteux (Bansal et coll., 2014). Les chercheurs ont ainsi tenté de collecter les interactions drogue – drogue de la littérature scientifique et des dossiers médicaux électroniques (percha et coll., 2012; Vilar et coll., 2017), et les a également découvertes grâce à la modélisation du réseau, l`analyse des signatures de cibles moléculaires (Chen et coll., 2016a; Huang et coll., 2014b; Lewis et coll., 2015; Sun et coll., 2015; Takeda et coll., 2017), les modèles fondés sur l`association statistique et l`apprentissage semi-supervisé (Chen et coll., 2016b; Huang et coll., 2014a; Shi et coll., 2017; Zhao et coll., 2011) (voir les travaux connexes dans la section 7). Bien que ces approches puissent être utiles pour obtenir des règles générales pour décrire l`interaction médicamenteuse au niveau cellulaire, elles ne peuvent pas orienter directement les stratégies de traitement des combinaisons médicamenteuses. En particulier, ces approches caractérisent les interactions médicament – médicament par des scores représentant la probabilité/la force globale d`une interaction, mais ne peuvent pas prédire le type exact de l`effet secondaire. Plus précisément, pour les médicaments i et j ces méthodes prévoient si leur combinaison produit une réponse exagérée SIJ au-delà de la réponse additive attendue sous aucune interaction, quel que soit le type exact ou le nombre d`effets secondaires. En d`autres, leur objectif est de répondre à une question: SIJ ≠? {}, où Sij est l`ensemble de tous les effets secondaires de polypharmacie attribués spécifiquement à une paire de médicaments i, j, mais pas à l`un ou l`autre médicament seul. Cependant, il est beaucoup plus important et utile de répondre si une paire de médicaments i, j va interagir avec un effet secondaire donné de type r, r? SIJ. Même si l`identification des effets secondaires précis de la polypharmacie est essentielle pour améliorer les soins aux patients, il reste une tâche difficile qui n`a pas encore été étudiée grâce à la modélisation prédictive. Bien que les réseaux convolutionnels de graphes atteignent des performances de pointe sur les problèmes de prédiction importants dans les réseaux sociaux et les graphes de connaissances, ils n`ont pas encore été utilisés pour des problèmes de biologie computationnelle. Notre modèle étend les réseaux convolutionnels de graphe en incorporant le support de plusieurs types d`arêtes, chaque type représentant un effet secondaire différent, et en fournissant une forme de partage de poids efficace pour les graphes multimodaux avec un grand nombre de types d`arêtes.
Decagon développe une nouvelle approche de codeur automatique de graphe (Hamilton et coll., 2017a), qui nous permet de développer un modèle trainable de bout en bout pour la prédiction de lien sur un graphe multimodal. En revanche, des approches graphiques antérieures pour les tâches de prédiction de lien en biologie (par exemple, Chen et al. 2016b; Huang et coll. 2014b; Zong et al. 2017) emploient un pipeline en deux étapes, généralement constitué d`un modèle d`extraction d`entités graphiques et d`un modèle de prédiction de lien, qui sont tous deux formés séparément. En outre, la caractéristique distinctive cruciale de Decagon est la capacité de prédiction de lien multirelationnel qui nous permet de capturer l`interdépendance des différents types d`arêtes (effets secondaires), et d`identifier quels types de arêtes possibles existent entre deux médicaments dans le graphe. Ceci est en contraste aigu avec les approches pour la prédiction simple de lien (Trouillon et coll., 2016), qui prévoient seulement l`existence des arêtes entre les paires de noeuds, et est également critique pour modéliser un grand nombre de différents types d`effet de bord/côté.