基于知识图谱嵌入与卷积-LSTM网络的药物-药物相互作用预测
机器学习
2019-08-06 v1 人工智能
摘要
药物之间的相互作用可导致严重的医疗损伤。正确预测所谓的药物-药物相互作用（DDI）不仅能减少此类病例，还可降低药物开发成本。目前，大多数药物相关知识来自临床评价和上市后监测，导致信息量有限。现有的数据驱动DDI预测方法通常依赖单一信息源，而使用多源信息有助于改进预测。机器学习（ML）技术已被使用，但这些技术常无法处理数据中的偏斜问题。因此，我们提出一种基于多数据源预测DDI的新ML方法。为此任务，我们使用来自DrugBank、PharmGKB和KEGG drugs的12000个药物特征，并利用知识图谱（KGs）进行整合。为训练预测模型，我们首先使用多种嵌入方法对图中节点进行嵌入。我们发现最佳性能组合为：采用PyTorch-BigGraph（PBG）创建的ComplEx嵌入方法，结合卷积-LSTM网络与基于经典机器学习的预测模型。在5折交叉验证测试中，三个最佳分类器的模型平均集成方法在AUPR、F1-score和MCC上分别达到最高0.94、0.92、0.80。
引用
@article{arxiv.1908.01288,
title = {Drug-Drug Interaction Prediction Based on Knowledge Graph Embeddings and Convolutional-LSTM Network},
author = {Md. Rezaul Karim and Michael Cochez and Joao Bosco Jares and Mamtaz Uddin and Oya Beyan and Stefan Decker},
journal= {arXiv preprint arXiv:1908.01288},
year = {2019}
}