利用知识图挖掘与可解释 AI 研究药物不良反应机制
机器学习
2020-12-17 v1 人工智能
符号计算
摘要
药物不良反应（ADR）在随机临床试验和上市后药物警戒中被表征，但在大多数情况下其分子机制仍未知。除临床试验外，关于药物成分的许多知识要素可在开放获取知识图中获得。此外，已将药物标记为对若干 ADR 致因或非致因的药物分类已建立。我们提议挖掘知识图以识别可能自动复现专家分类（区分药物对给定类型 ADR 是否致因）的生物分子特征。从可解释 AI 的角度，我们探索简单分类技术如决策树与分类规则，因为它们提供人类可读的模型，既解释分类本身，也可能为 ADR 背后的分子机制提供解释要素。总之，我们挖掘知识图以获取特征；训练分类器以区分与 ADR 相关或不相关的药物；分离出既能有效复现专家分类又可由专家解释的特征（即基因本体术语、药物靶标或通路名称）；并手动评估它们可能如何具有解释性。提取的特征以良好保真度复现了药物对 DILI 与 SCAR 是否致因的分类。专家完全同意分别有 73% 和 38% 的最具判别性特征可能对 DILI 和 SCAR 具有解释性；并部分同意（2/3）分别为 90% 和 77% 的特征。知识图提供多样特征，使简单且可解释的模型能够区分药物对 ADR 是否致因。除解释分类外，最具判别性的特征似乎是进一步研究 ADR 机制的良好候选。
引用
@article{arxiv.2012.09077,
title = {Investigating ADR mechanisms with knowledge graph mining and explainable AI},
author = {Emmanuel Bresso and Pierre Monnin and Cédric Bousquet and François-Elie Calvier and Ndeye-Coumba Ndiaye and Nadine Petitpain and Malika Smaïl-Tabbone and Adrien Coulet},
journal= {arXiv preprint arXiv:2012.09077},
year = {2020}
}