HANAMI 用异构图对比学习预测药物-基因-疾病模体，在基准数据上较现有最优方法最高提升约 6%，零样本场景下保持约 18% 优势
核心概要
作者提出 HANAMI（Heterogeneous grAph coNtrastive leArning for drug-gene-disease Motif predIction），一个整合化学结构、基因组序列与临床表型等多源异质生物医学知识的多视图深度图学习框架，通过关系感知拓扑编码、结构感知聚合与对比学习来预测药物-基因-疾病模体；在基准数据集上的系统评估显示，其在模体预测上较现有最优方法最高提升约 6%，在涉及未见实体的零样本设置中保持约 18% 的性能优势，并能优先排序已进入 II 期或 III 期试验的药物-疾病关系、识别提示合理机制联系的候选基因。
深度剖析
HANAMI 将化学结构、基因组序列和临床表型等异质生物医学知识整合进一个多视图深度图学习框架，用于建模药物、基因、疾病之间的复杂相互作用并预测药物-基因-疾病模体。 摘要指出既有计算方法常难以有效整合异质生物医学数据、捕捉生物互作组的复杂高阶拓扑特征并泛化到未见实体，HANAMI 以关系感知拓扑编码、结构感知聚合与对比学习应对这三点。 证据来自摘要中对框架设计与所整合数据类型（化学结构、基因组序列、临床表型）的说明，以及作者所述在基准数据集上的系统评估；本次读取范围为不完整，仅含摘要与利益冲突声明，未包含具体数据集、基线设置与消融细节。
在基准数据集上，HANAMI 在预测药物-基因-疾病模体方面较现有最优方法最高提升约 6%。 该提升是相对于摘要所称的现有 state-of-the-art 方法而言，说明多视图异质图对比学习在该任务上带来了可测量的预测增益。 证据为摘要中报告的“up to 6% improvements”这一量化结果，属于作者自述的基准评估结论；由于读取范围不完整，无法核对具体基准、评价指标与统计显著性。
HANAMI 展现出较强的归纳泛化能力，在涉及此前未见实体的零样本设置中保持约 18% 的性能优势。 摘要将泛化到未见实体列为既有计算方法的薄弱环节，零样本场景下的这一优势表明该框架在实体未参与训练时仍具竞争力。 证据为摘要中“∼18% performance advantage in zero-shot settings involving previously unseen entities”的表述；具体零样本划分方式与对比对象在本次读取范围内未给出。
除预测性能外，HANAMI 能优先排序已进入 II 期或 III 期试验的药物-疾病关系，并识别出提示合理机制联系的候选基因。 这把评估从纯预测指标延伸到与临床开发阶段相关的排序结果和候选基因的机制可解释性，指向药物重定位与靶点发现的应用价值。 证据为摘要中关于优先排序 Phase II 或 III 试验关系与候选基因的陈述；摘要未给出验证这些候选关系的实验或临床证据细节。
启示与展望
该工作面向需要从异质生物医学网络中挖掘药物-基因-疾病关联的研究者与计算药物发现团队，适用场景是整合化学结构、基因组序列与临床表型等多源知识、在基准数据集上做模体预测并需要泛化到未见实体的任务。摘要所述结果意在为药物重定位与靶点发现提供可扩展的计算基础，其优先排序输出指向已进入 II 期或 III 期试验的药物-疾病关系以及提示机制联系的候选基因，可作为后续实验或临床验证的候选清单来源。
本次读取范围不完整，仅包含摘要与利益冲突声明，因此摘要中提到的基准数据集、对比的 state-of-the-art 方法、评价指标以及“up to 6%”和“∼18%”的具体计算方式都无法在本文档内核对。摘要称 HANAMI 能优先排序 II 期或 III 期试验中的药物-疾病关系并识别候选基因，但这些候选关系是否经过独立实验或临床验证、以及零样本优势在不同数据划分下是否稳定，仍是需要进一步阅读全文才能判断的开放问题。