Core Concepts
KnowDDI, eine auf Graphneuronalnetzen basierende Methode, verbessert die Darstellung von Arzneimitteln, indem sie adaptiv Informationen aus großen biomedizinischen Wissensgraphen nutzt. Außerdem lernt KnowDDI einen Wissensuntergraphen für jedes Arzneimittelpaar, um die vorhergesagten Arzneimittelwechselwirkungen zu interpretieren.
Abstract
Hintergrund: Die Entdeckung potenzieller Arzneimittelwechselwirkungen (DDIs) ist eine langjährige Herausforderung in der klinischen Behandlung und Arzneimittelentwicklung. Kürzlich wurden Deep-Learning-Techniken für die DDI-Vorhersage entwickelt. Diese erfordern jedoch eine große Anzahl von Proben, während bekannte DDIs selten sind.
Methoden: In dieser Arbeit präsentieren wir KnowDDI, eine auf Graphneuronalnetzen basierende Methode, die diese Herausforderung angeht. KnowDDI verbessert die Darstellung von Arzneimitteln, indem es adaptiv Informationen aus großen biomedizinischen Wissensgraphen nutzt. Dann lernt es einen Wissensuntergraphen für jedes Arzneimittelpaar, um die vorhergesagten DDIs zu interpretieren, wobei jede Kante mit einer Verbindungsstärke assoziiert ist, die die Wichtigkeit einer bekannten DDI oder die Ähnlichkeit zwischen einem Arzneimittelpaar, dessen Verbindung unbekannt ist, angibt.
Ergebnisse: Hier zeigen wir die Bewertungsergebnisse von KnowDDI auf zwei Benchmark-DDI-Datensätzen. Die Ergebnisse zeigen, dass KnowDDI die beste Vorhersageleistung mit besserer Interpretierbarkeit erzielt. Wir stellen auch fest, dass KnowDDI weniger unter einem sparsameren Wissensgraphen leidet als bestehende Arbeiten. Dies deutet darauf hin, dass die propagierten Arzneimittelähnlichkeiten eine wichtigere Rolle dabei spielen, den Mangel an DDIs zu kompensieren, wenn die Darstellung der Arzneimittel weniger angereichert ist.
Schlussfolgerungen: KnowDDI kombiniert die Effizienz von Deep-Learning-Techniken und das reiche Vorwissen in biomedizinischen Wissensgraphen. Als originelles Open-Source-Tool kann KnowDDI bei der Erkennung möglicher Interaktionen in einer breiten Palette relevanter Interaktionsvorhersageaufgaben helfen, wie z.B. Protein-Protein-Interaktionen, Arzneimittel-Ziel-Interaktionen und Krankheits-Gen-Interaktionen, was letztendlich die Entwicklung der Biomedizin und des Gesundheitswesens fördert.
Stats
Bekannte Arzneimittelwechselwirkungen sind selten, da die experimentellen Kosten hoch sind und ständig neue Arzneimittel auftauchen.
Nur etwa 1% der potenziellen Arzneimittelwechselwirkungen sind in der aktuellen DrugBank-Datenbank enthalten.
Quotes
"Identifizierung von DDIs durch klinische Nachweise wie Laborstudien ist extrem kostspielig und zeitaufwendig."
"Bekannte DDI-Faktentripel sind selten aufgrund der hohen experimentellen Kosten und der ständig auftauchenden neuen Arzneimittel."