Fast Polypharmacy Side Effect Prediction Using Tensor Factorisation
机器学习
2024-12-10 v2 生物大分子
摘要
动机: 药物联合用药引发的不良反应日益增多，对其准确预测已成为现代医学中的关键挑战。实验室方法识别这些反应不足以应对其组合性问题。虽然已提出许多计算方法，但张量分解模型显示出混合结果，亟需对其在正确优化后的能力进行彻底调查。结果: 我们证明，张量分解模型可在多药联合不良反应预测中实现最先进的性能。我们的最佳模型 (SimplE) 在 963 种不良反应上取得中位数 0.978 AUROC、0.971 AUPRC 和 1.000 AP@50 的分数。显著的是，该模型在训练仅两轮（约 4 分钟）后即可达到 98.3% 的最大性能，速度显著快于现有方法，同时保持相当的准确性。我们还发现，将单药数据作为自环边纳入图中，比仅用于初始化嵌入时表现略好。可用性与实施: 所有实验所用的代码均可在我们的 GitHub 仓库中获取 (https://doi.org/10.5281/zenodo.10684402)。该实现使用 Python 3.8.12 与 PyTorch 1.7.1，加速于 NVIDIA GeForce RTX 2080 Ti GPU 的 CUDA 11.4。联系人: [email protected] 补充信息: 补充数据包括最佳模型的精确率-召回曲线和 F1 曲线，均可在 Bioinformatics 在线获取。
引用
@article{arxiv.2404.11374,
title = {Fast Polypharmacy Side Effect Prediction Using Tensor Factorisation},
author = {Oliver Lloyd and Yi Liu and Tom R. Gaunt},
journal= {arXiv preprint arXiv:2404.11374},
year = {2024}
}