近日，类生智能与计算团队 (VITA LAB) 在人工智能与工程应用领域国际顶级期刊《Engineering Applications of Artificial Intelligence》（中国科学院一区 TOP 期刊）发表了题为 “Enhanced Drug Recommendation Model with Graph Contrastive Learning Based on Singular Value Decomposition” 的研究论文。此论文由我校计算机与信息科学学院2023级研究生游玲等人在曾攀老师的指导下共同完成。
论文针对现有基于图学习的药物重定位方法在复杂生物网络中往往难以充分捕获高阶结构信息，且对噪声与数据稀疏性较为敏感等问题，提出了一种基于奇异值分解（SVD）引导的图对比学习增强药物推荐模型DRGCSVD。具体而言，该模型首先进行药物和疾病的相似性矩阵构建，并利用自编码器从药物-药物相似性矩阵和疾病-疾病相似性矩阵中提取药物和疾病的生物信息特征。接着，利用SVD对原始药物-疾病关联图进行图增强，生成增强视图以保留重要关联并捕捉网络的潜在全局结构特征，并结合图卷积网络和图对比学习机制，在多视角表示空间中提升药物、疾病节点表示的一致性与判别性。最后，将药物和疾病的生物学和拓扑结构特征被输入到XGBoost分类器中，以预测潜在的药物-疾病关联。
在两个主流药物重定位数据集上的实验结果表明，所提出的方法在 AUC、AUPR 、Accuracy等关键评价指标上均显著优于现有代表性方法，验证了模型在复杂生物网络建模与药物推荐任务中的有效性与鲁棒性，关于乳腺肿瘤与阿尔茨海默病的案例研究也进一步表明了该方法的实际应用能力。该研究为药物重定位提供了一种新的技术思路，具有重要的理论价值与应用前景。
《Engineering Applications of Artificial Intelligence》作为人工智能工程应用领域颇具国际影响力的SCI期刊，始终致力于推动人工智能技术在工程及实际应用场景中的落地实施。此次研究成果的发表，充分彰显了团队在人工智能与智能医疗交叉领域的持续探索精神与创新能力。
论文链接：https://doi.org/10.1016/j.engappai.2025.112674
