基于 DruGNN 的模块化多源药物副作用预测
定量方法
2022-02-17 v1 机器学习
摘要
药物副作用(DSEs)对公共健康、医疗系统成本以及药物发现过程具有高度影响。在其发生之前预测副作用的概率,对于降低这一影响至关重要,尤其是对药物发现而言。候选分子可在进入临床试验前进行筛选,从而减少时间、资金以及受试者健康方面的成本。药物副作用由涉及众多不同实体(从药物结构到蛋白质-蛋白质相互作用)的复杂生物过程所触发。要预测其发生,必须整合来自异源数据源的信息。本工作中,此类异源数据被整合为一个图数据集,富有表现力地刻画了药物分子与基因等不同实体间的关联信息。该数据集的关联特性对于药物副作用预测器而言是一项重要创新。图神经网络(GNNs)被用于在本发明的数据集上预测 DSEs,取得了极具前景的结果。GNNs 是能够处理图结构数据且信息损失极小的深度学习模型,已广泛应用于多种生物学任务。我们的实验结果证实了利用数据实体间关联关系的优势,并指出了该方向上值得关注的未来进展。实验还显示了特定数据子集在决定药物与副作用关联中的重要性。
引用
@article{arxiv.2202.08147,
title = {Modular multi-source prediction of drug side-effects with DruGNN},
author = {Pietro Bongini and Franco Scarselli and Monica Bianchini and Giovanna Maria Dimitri and Niccolò Pancino and Pietro Liò},
journal= {arXiv preprint arXiv:2202.08147},
year = {2022}
}
备注
19 pages, 3 figures