近日，第40届美国人工智能协会年会AAAI（Association for the Advancement of Artificial Intelligence）论文录用结果揭晓。我院青年教师窦明亮以第一作者身份完成的研究论文《Closer to Biological Mechanism: Drug-Drug Interaction Prediction from the Perspective of Pharmacophore》被大会正式接收（oral presentation）。

AAAI 是人工智能领域历史悠久、声誉卓著的国际顶级学术会议，由中国计算机学会（CCF）推荐为A类会议，在全球学术界和工业界具有广泛影响力。AAAI 2026将于2026年1月20日至1月27日在新加坡博览中心（Singapore Expo）举行，本届会议共收到来自世界各地投稿摘要31000篇，进入第一阶段论文23680篇，其中录用4167篇文章，录用率为17.6%，竞争异常激烈。

Figure 1  AAAI

药物–药物相互作用（Drug–Drug Interaction, DDI）预测是保障临床用药安全、提升新药研发效率的关键基础任务，对智能医疗、药物警戒及精准用药具有重要意义。近年来，基于深度学习的DDI预测方法不断涌现，但仍面临对药物关键结构特征建模不足、多层表示融合方式僵化以及正负样本不平衡等挑战，亟需更具生物学合理性和鲁棒性的新方法。

针对上述问题，窦明亮老师主导成立多校联合科研小组，并提出了一种创新的药效团视角下的药物–药物相互作用预测方法——PC-DDI。该方法以药效团为基本建模单元，从药效团语义视角出发，构建药物–药物相互作用的二分图表示，更贴近药物在生物体内发生相互作用的真实机制；在此基础上，引入动态融合策略与关系感知的交互建模，有效增强模型对复杂DDI模式的判别能力；同时，通过以药效团差异为导向的成对损失优化训练过程，使模型能够聚焦于正负样本间药效团组合的关键区别，在正负样本不平衡的实际场景中更精准地识别具有潜在相互作用的药物对，显著提升预测性能与鲁棒性。

Figure 2 PC-DDI流程图

实验在多个标准DDI基准数据集上开展，涵盖直推式与归纳式设置。结果表明，PC-DDI 在准确率（ACC）、AUC-ROC、平均精度（AP）和F1值等核心指标上均显著优于当前主流方法。

Figure 3 实验结果1

Figure 4 实验结果2

Figure 5 实验结果3

该工作不仅为DDI预测提供了高精度、可扩展的新范式，也为图神经网络在生物医药领域的应用开辟了新思路。相关成果有望服务于临床用药风险预警、药物再利用及AI辅助药物设计等实际场景。

窦明亮老师的研究为人工智能与药物信息学的深度融合提供了重要技术支撑，也为我院在智能医疗、大数据与交叉学科方向的科研布局积累了宝贵经验。未来，科研小组将持续深化该方向研究，推动算法成果向临床与产业应用转化。学院也将进一步加强高水平学术平台建设，大力支持青年教师开展原创性、前沿性科研工作，助力更多高质量成果走向国际舞台。