ADRNet：结合临床与非临床数据用于药物不良反应预测的广义协同过滤框架
信息检索
2023-08-08 v1 机器学习
摘要
药物不良反应（ADR）预测在医疗保健和药物发现中起着关键作用，可降低患者死亡率并提升药物安全性。近来，许多研究致力于有效预测药物-ADR 发生率。然而，这些方法要么未能有效利用非临床数据（即药物的物理、化学和生物学信息），要么在训练阶段很少建立基于内容与纯协同过滤之间的联系。在本文中，我们首先将多标签 ADR 预测表述为药物-ADR 协同过滤问题，据我们所知，这是首个在两个大型公开可用临床数据集上提供先前协同过滤方法广泛基准结果的工作。然后，通过利用从非临床数据中易于获取的药物特征，我们提出 ADRNet，一种结合临床与非临床数据用于药物-ADR 预测的广义协同过滤框架。具体而言，ADRNet 具有一个浅层协同过滤模块和一个深层药物表示模块，可利用高维药物描述符进一步引导低维 ADR 潜在嵌入的学习，从而结合了协同过滤与表示学习的优势。我们在两个公开可用的真实世界药物-ADR 临床数据集和两个非临床数据集上进行了大量实验，以证明所提 ADRNet 的准确性和效率。代码可在 https://github.com/haoxuanli-pku/ADRnet 获取。
引用
@article{arxiv.2308.02571,
title = {ADRNet: A Generalized Collaborative Filtering Framework Combining Clinical and Non-Clinical Data for Adverse Drug Reaction Prediction},
author = {Haoxuan Li and Taojun Hu and Zetong Xiong and Chunyuan Zheng and Fuli Feng and Xiangnan He and Xiao-Hua Zhou},
journal= {arXiv preprint arXiv:2308.02571},
year = {2023}
}
备注
RecSys '23