GraphIX：基于生物制药网络的药物重定位可解释人工智能图框架
机器学习
2022-12-29 v2 定量方法
摘要
药物重定位前景广阔，因其可缩短新药开发时间与成本。虽然药物重定位可省略诸多研发流程，但确认对生物分子的药理效应对于应用于新疾病至关重要。药物重定位模型中的生物医学可解释性可为后续深入研究提供恰当的见解。然而，XAI（可解释人工智能）方法的有效性仍存争议，且 XAI 在药物重定位预测应用中的效用尚不明晰。本研究提出 GraphIX，一种利用生物网络的可解释药物重定位框架，并定量评估其可解释性。GraphIX 首先使用图神经网络从已知药物适应症与由三类节点（但未给定节点类型信息）组成的知识图谱中学习网络权重与节点特征：疾病、药物与蛋白质。对学习后特征的分析表明，模型事先未知的节点类型通过基于图结构的学习过程得以区分。基于学习到的权重与特征，GraphIX 随后预测疾病-药物关联，并计算位于所预测疾病与药物邻域内节点的贡献值。我们假设模型赋予高贡献的邻近蛋白质节点对于理解实际药理效应十分重要。使用真实世界数据库对蛋白质节点贡献有效性的定量评估表明，GraphIX 所示高贡献蛋白质作为药物作用机制是合理的。GraphIX 是一种基于证据的药物发现框架，可向用户呈现新的疾病-药物关联，并从庞大而复杂的知识库中识别对理解其药理效应至关重要的蛋白质。
引用
@article{arxiv.2212.10788,
title = {GraphIX: Graph-based In silico XAI(explainable artificial intelligence) for drug repositioning from biopharmaceutical network},
author = {Atsuko Takagi and Mayumi Kamada and Eri Hamatani and Ryosuke Kojima and Yasushi Okuno},
journal= {arXiv preprint arXiv:2212.10788},
year = {2022}
}
备注
add supplementary materials