强调抗肿瘤药物副作用预测在药物研发过程中的关键作用，指出准确预测药物副作用对于提高药物疗效和安全性的重要性。
综述国内外在药物副作用预测方面的研究进展，介绍图神经网络和知识图谱在药物副作用预测中的应用和发展。
概述本文的研究内容和章节安排，介绍基于图神经网络的抗肿瘤药物副作用预测模型的构建方法和实验验证。
详细介绍本研究所使用的数据来源，包括 SIDER、DrugBank、STITCH、CTD 和 STRING 数据库，以及它们在构建知识图谱中的重要作用。
阐述图神经网络的基本概念、发展历程和核心技术，包括重启随机游走算法，并介绍用于评估模型性能的混淆矩阵、ROC - AUC 和 PR - AUC 等评价指标。
详细描述重启随机游走算法的工作原理及其在图神经网络中的应用，特别是其在节点特征聚合和图结构信息捕捉中的作用。
介绍常用的评价指标，包括混淆矩阵、ROC - AUC 和 PR - AUC，以及它们在药物副作用预测模型评估中的重要性。
将抗肿瘤药物副作用预测问题转化为异构图中的多关系链路预测任务，构建包含药物、蛋白质、疾病和副作用等多种类型节点的知识图谱。
描述实验数据集的来源和结构，包括两份数据集的具体信息，涵盖药物、靶点、疾病和副作用等多种类型的节点和边。
介绍基于图自动编码器的端到端框架，包括编码器和解码器的设计，特别是 simpleHGN 和重启随机游走算法的应用。
选取多个传统的图神经网络模型作为基线模型，包括 GCN、GAT 和 HAN，以评估 simpleHGN 模型的性能。
分析第一份数据集上模型的预测结果，展示 simpleHGN 模型在 PR - AUC 和 ROC - AUC 上的表现，并与其他基线模型进行对比。
分析第二份数据集上模型的预测结果，展示 simpleHGN 模型在 PR - AUC 和 ROC - AUC 上的表现，并与其他基线模型进行对比。
综合两份数据集的实验结果，对比分析 simpleHGN 模型和其他基线模型的性能差异。
讨论两份数据集的差异性、其他模型性能分析以及模型在不同数据集上的整体表现。
总结本研究的主要成果和贡献，指出模型的局限性和未来研究方向。
展望未来的研究方向，包括多药物组合使用时的副作用预测和药物结构信息的整合。