南昌网站建设索q.479185700,怎么做淘宝客优惠劵网站,wordpress手机主题浮动菜单,wordpress 错误:cookies因预料之外的输出被阻止.转载公众号 | AI TIME 论道药物间相互作用#xff08;DDI#xff09;预测是药理学和临床应用中一个具有挑战性的问题#xff0c;在临床试验期间#xff0c;有效识别潜在的DDI对患者和社会至关重要。现有的大多数方法采用基于AI的计算模型#xff0c;通常倾向于集成多个数… 转载公众号 | AI TIME 论道药物间相互作用DDI预测是药理学和临床应用中一个具有挑战性的问题在临床试验期间有效识别潜在的DDI对患者和社会至关重要。现有的大多数方法采用基于AI的计算模型通常倾向于集成多个数据源并结合先进的图嵌入方法来实现。然而研究人员很少关注药物与其他实体例如靶标和基因之间存在的潜在关联。此外最近的研究还采用知识图谱KG进行DDI预测。这一系列方法都是采取直接学习节点的潜在嵌入向量但它们对于获得KG中每个实体的丰富邻域信息受到限制。为解决上述局限性林轩等人提出了一种端到端的框架即基于知识图谱的图神经网络KGNN以解决DDI预测问题。该框架可通过在KG中挖掘相关联的关系来有效地捕获药物及其潜在的邻域实体信息。为了提取KG中的高阶结构和语义关系对KG中每个实体的邻域进行学习作为它们的局部感知域然后将邻域信息与来自当前实体表示的偏差进行整合。这样感知域可以自然地扩展到多个跃点以对高阶拓扑信息进行建模并获得潜在的药物长距离相关性特征。本次报告我们有幸邀请到来自湖南大学的林轩博士为大家分享他们的这项研究工作林轩湖南大学计算机科学与技术四年级博士生导师为全哲副教授。于2019年10月前往伊利诺伊大学芝加哥分校计算机学院进行博士联合培养指导老师是Philip S.Yu教授。主要研究方向为机器学习、图神经网络和药物重定位。目前已在IJCAI、AAAI、ECAI、Briefings in Bioinformatics等国际会议和期刊发表论文7篇并担任IJCAI、AAAI、Briefings in Bioinformatics、Neurocomputing等会议和期刊审稿人。一、背景和动机药物间的相互作用(DDI)是指同时或先后服用两种或两种以上药物时药物之间所产生的相互作用而该相互作用可能会导致意想不到的副作用。举个例子在日常生活中某人因睡眠不佳服用了助眠药物比如镇定剂。与此同时他又出现了过敏反应需要服用治疗过敏的药物比如抗组胺药。当两种药物混合服用就可能会减缓大脑的反应。如果此人是从事车辆驾驶或者机械操作等需要注意力高度集中的工作那么一旦出现紧急情况就可能因无法及时做出反应发生难以预料的危险。因此如果能够提前预测DDI就能有效避免类似情况的发生。图1 药物间相互作用总结归纳现有DDI预测方法大致可分为两大类。一类是分子表示主要聚焦于药物分子的特征学习。这类方法都基于同样的假设即具有相似嵌入表示的药物分子将会表现出相似的DDI。如图2右边所示分子A和分子B有相似的分子结构那它们所学到的特征向量也是相似的如果分子A与分子C存在相互作用那么可以推断分子B和分子C也有类似DDI存在。药物分子特征学习有很多方法比如类似文本编码的一维SMILES序列比如传统基于分子描述符或分子指纹ECFP的方法或是基于3D坐标轴位置信息的方法。如文献2中提到了一种新颖的分子表示方法即基于多视角药物特征学习更好的药物相似性但这种方法仅限于对药物分子本身的表示学习大多数情况下都依赖于领域知识。另一类常用的DDI预测方法是基于网络嵌入的方法通过构建各种与药物有关的生物网络在这个网络中将药物看作网络中的节点通过学习节点的嵌入表示来预测潜在的边即DDI的关系。构建映射关系网络也有多种方法比如矩阵分解把目标关系构建成一个矩阵进行求解比如随机游走在图中选择固定的路径进行游走以获取更多的节点特征。这类方法的目标在于预测药物之间的标签边但它们只关注单一的DDI关系并没有考虑与药物有关的其他联系。图2 现有DDI预测方法通过以上分析可以发现这些方法的初衷是希望获得更多生物关联的信息。如果一个图或数据能够提供更多信息那么就能有效辅助DDI预测此时知识图谱就成为了一个上佳的选择。因为知识图谱蕴含了丰富的信息包括多个实体之间的结构关系、与每个节点关联的语义关系等。在对过去DDI预测方法的梳理中我们也找到了基于知识图谱的方法但这个方法是采用知识图谱嵌入的方式直接学习节点的嵌入表示没有考虑每个实体丰富的邻域信息。为突破局限林轩等人在知识图谱中引入图神经网络借用图神经网络对每个节点进行邻域采样通过聚合邻域信息获得实体的嵌入表示这也就是基于知识图谱的图神经网络的动机来源。图3 知识图谱和图神经网络二、基于知识图谱的图神经网络图4是基于知识图谱的图神经网络的整体框架共包括三个模块1DDI提取与KG构建2KGNN层3药物与药物相互作用预测。图4 基于知识图谱的图神经网络框架具体来说第一步中DDI提取主要使用了DrugBank和KEGG-drug两个数据集。对数据集进行解析以提取药物对这里的药物对其实是经过FDA认证的DDI如图4中“DB00001-DB01181”所示。知识图谱构建使用Bio2RDF工具构建链接的数据网络基于传输定义从不同格式的数据源中获取数据从而创建与RDF数据格式兼容的链接数据。图5 DDI提取和KG构建获得输入以后需要对实体的邻域进行采样。每一个药物实体的邻域分布情况是不一样的图6中红色的节点表示药物节点考虑每个药物节点两跳的邻域范围。H参数可以理解为CNN中的感知域H1相当于只考虑与当前节点直接相连的邻居节点H2表示考虑二阶相连的节点情况这样能够学习到更多的邻域实体信息当然H可以取更大值。在这个框架中GNN是一种空间域的方法。在构建的知识图谱中把和药物节点直接相连的节点定义为Nneigh(e)。因为每个药物节点邻域的分布是不同的为了计算方便借鉴GraphSAGE方法采用固定大小的邻域范围S(e)。采样完成之后通过三种聚合方法将实体自身的嵌入表示和邻域信息的嵌入表示聚合起来最终得到当前实体的嵌入表示。其中sum聚合方法是一种叠加操作concat是一种拼接操作neighbor只考虑邻域的信息而忽略自身实体嵌入表示。图6 KGNN层图7总结了KGNN算法回顾整个框架可分为三个步骤1从数据集中提取药物对并构建相应的知识图谱2将信息输入KGNN中获得药物及其相关实体邻域的特征3计算两个药物的相似度并反馈输出交互值。图7 KGNN算法三、实验结果实验部分通过DrugBank和KEGG-drug两个数据集来评估KGNN的性能。对于两个数据集以8/1/1的比例将所有批准的DDI作为正样本随机分为训练、验证和测试集并随机抽取正样本的补集作为负样本用于模型训练。使用多种指标评估预测性能包括ACC、AUPR、AUC-ROC和F1分数。选取5类MF、RW、NN、DL、KG共9种方法作为实验基准以更好对比实验结果。图8 实验设定图9是KGNN与基准方法的性能比较每种方法的第一/第二行分别对应于DrugBank和KEGG-drug数据集上的实验结果。通过对比实验结果可以发现KGNN在两个数据集上都取得了最优的效果。另外在消融实验部分测试了三种聚合方法的性能发现通过拼接聚合concat的方法效果是最好的。同时这些变体的结果均优于基准对比方法反映出了KGNN方法的稳定性。图9 对比、消融实验结果实验还研究了k、H、d三个关键参数对KGNN性能的影响。首先改变邻域大小k发现当k16时KGNN可获得最佳性能。这说明如果采样的邻居节点个数太少邻域所能够包含的信息会不够。其次通过设置为1到6大于6时超出系统内存来研究感知域深度H的影响。实验结果显示当H2时可以学到较多的特征但模型所有指标的性能都会从H 3开始降低。最后检验嵌入维度大小d的影响如设置由8变化为512。结果表明可通过设置适当的维度大小来提高其学习能力值过大反而会带来过拟合的情况。图10 不同参数的实验结果四、总结和未来展望总结来说林轩等人的工作提出了一种新颖的框架来预测DDI任务。该框架将图神经网络应用到了知识图谱当中同时考虑了药物实体在知识图谱中的拓扑结构信息以及自身附带的语义关联信息。对于未来的工作主要有以下几点想法1考虑更大规模的知识图谱2设计有效的邻域采样方法3拓展到多类型的DDI预测或其他相关任务而不是仅限于二分类预测。图11 总结和未来工作 Paper: https://www.ijcai.org/Proceedings/2020/0380.pdfCode: https://github.com/jacklin18/KGNN直播回放https://b23.tv/ifBA8L点击“阅读原文”下载本次报告ppt OpenKG开放知识图谱简称 OpenKG旨在促进中文知识图谱数据的开放与互联促进知识图谱和语义技术的普及和广泛应用。
