Прогнозування побічних ефектів поліпрагмазії за допомогою графової нейронної мережі
Вантажиться...
Файли
Дата
Науковий керівник
Редактор
Інші учасники
Відповідальний
ORCID
Назва журналу
Номер ISSN
Назва тому
Альтернативна назва
Prediction of side effects of polypragmation using a graphical neural network
Анотація
У статті наведено аналіз відомих класів методів прогнозування побічних ефектів поліпрагмазії. Запропоновано новий метод прогнозування побічних ефектів поліпрагмазії на основі гетерогенної графової нейронної мережі з блоками уваги. На основі відомої інформації про лікарський засіб, а саме індивідуальні побічні ефекти та взаємодію з білковими рецепторами, мережа здатна спрогнозувати наявність побічних ефектів при комбінації з іншими відомими лікарськими засобами. Ця інформація у вигляді графового представлення даних для кожного з обох лікарських засобів подається на вхід нейронній мережі, яка визначає наявність зв’язку між двома вузлами та ймовірність кожного побічного ефекту, заданого під час тренування. Мережа через свою індуктивнсть здатна робити прогнози для лікарських засобів, які не використовувалися під час навчання моделі, що надає можливість узагальнювати передбачення побічних ефектів для будь-якого лікарських засобів з відомими індивідуальними побічними ефектами та інформацією про цільові протеїни.
The article provides an analysis of known classes of methods for predicting side effects of polypharmacy. A new method of predicting the side effects of polypharmacy based on a heterogeneous graph neural network with blocks of attention is proposed. Based on known information about the drug, namely individual side effects and interaction with protein receptors, the network is able to predict the presence of side effects when combined with other known drugs. This information, in the form of a graphical representation of the data for each of the two drugs, is fed to the neural network, which determines the presence of a connection between the two nodes and the probability of each side effect given during training. The network, due to its inductive properties, is able to make predictions for drugs that were not used during model training, providing the ability to generalize side effect predictions for any drug with known individual side effects and target protein information.
The article provides an analysis of known classes of methods for predicting side effects of polypharmacy. A new method of predicting the side effects of polypharmacy based on a heterogeneous graph neural network with blocks of attention is proposed. Based on known information about the drug, namely individual side effects and interaction with protein receptors, the network is able to predict the presence of side effects when combined with other known drugs. This information, in the form of a graphical representation of the data for each of the two drugs, is fed to the neural network, which determines the presence of a connection between the two nodes and the probability of each side effect given during training. The network, due to its inductive properties, is able to make predictions for drugs that were not used during model training, providing the ability to generalize side effect predictions for any drug with known individual side effects and target protein information.
Опис
Ключові слова
УДК
Тип документа
Мова
ISSN
Посилання на публікацію
Серія, номер
ISBN
ББК
Інші ідентифікатори
Пов’язані матеріали
Спонсорська підтримка
Правовласник
Бібліографічний опис
Кузняк В. П., Колесницький О. К. Прогнозування побічних ефектів поліпрагмазії за допомогою графової нейронної мережі // Оптико-електроннi iнформацiйно-енергетичнi технологiї. 2024. № 1. С. 88-95. URI: https://oeipt.vntu.edu.ua/index.php/oeipt/article/view/687.
Зібрання
Схвалення
Рецензія
Доповнено
Цитується в
Список використаної літератури (1)
- 1. Zong N, Kim H, Ngo V, Harismendy O. Deep mining heterogeneous networks of biomedical linked data to predict novel drug-target associations. Bioinformatics. 2017 Aug 1;33(15):2337-2344. 2. Perozzi B. et al. (2014) Deepwalk: Online learning of social representations. In: Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining. ACM. pp. 701–710. 3. Cheng F. et al. (2012) Prediction of drug–target interactions and drug repositioning via network-based inference. PLoS Comput. Biol., 8, e1002503. 4. Zitnik M, Agrawal M, Leskovec J. Modeling polypharmacy side effects with graph convolutional networks. Bioinformatics. 2018 Jul 1;34(13):i457-i466. 5. Nováček V, Mohamed SK. Predicting Polypharmacy Side-effects Using Knowledge Graph Embeddings. AMIA Jt Summits Transl Sci Proc. 2020 May 30;2020:449-458. 6. Xiao Wang, Houye Ji, Chuan Shi, Bai Wang, Yanfang Ye, Peng Cui, and Philip S Yu. 2019. Heterogeneous Graph Attention Network. In The World Wide Web Conference (WWW '19). Association for Computing Machinery, New York, NY, USA, 2022–2032. 7. Yang, Bishan, Wen-tau Yih, Xiaodong He, Jianfeng Gao and Li Deng. “Embedding Entities and Relations for Learning and Inference in Knowledge Bases.” International Conference on Learning Representations (2014). 8. Intelligent technologies for modeling surgical interventions: a monograph / O. G. Avrunin, S. B. Bezshapochnyi, E. V. Bodyanskyi, V. V. Semenets, V. O. Filatov – Kharkiv: Khnure, 2018. – 224 p. 9. Modern intellectual technologies of functional medical diagnostics: a monograph / O. G. Avrunin, E. V. Bodyanskyi, M. V. Kalashnyk, V. V. Semenets, V. O. Filatov. - Kharkiv: Khnure, 2018. - 236 p. 10. Intellectual technologies in medical diagnosis, treatment and rehabilitation: monograph / [S.V. Pavlov, O.G. Avrunin, S.M. Zlepko, E.V. Bodyansky and others]; edited by S. Pavlov, O. Avrunin. - Vinnytsia: PP "TD "Edelweiss and K", 2019. - 260 p. 11. Modern methods of diagnosis of respiratory-olfactory function: monograph / O. G. Avrunin, Y. V. Nosova, V. V. Semenets, V. O. Filatov, N. O. Shushlyapina. – Kharkiv: Khnure, 2021. – 150 p. ISBN 978-966-659-300-2.