論文の概要: Investigating ADR mechanisms with knowledge graph mining and explainable
AI
- arxiv url: http://arxiv.org/abs/2012.09077v1
- Date: Wed, 16 Dec 2020 16:59:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-03 03:05:11.822888
- Title: Investigating ADR mechanisms with knowledge graph mining and explainable
AI
- Title(参考訳): 知識グラフマイニングと説明可能なAIを用いたADR機構の検討
- Authors: Emmanuel Bresso, Pierre Monnin, C\'edric Bousquet, Fran\c{c}ois-Elie
Calvier, Ndeye-Coumba Ndiaye, Nadine Petitpain, Malika Sma\"il-Tabbone,
Adrien Coulet
- Abstract要約: 副作用薬物反応は、ランダム化臨床試験およびポストマーケティング薬局の監視の中で特徴付けられる。
知識グラフは、単純で説明可能なモデルがADRに起因するかどうかの薬物を区別することを可能にする多様な機能を提供します。
ほとんどの識別的特徴は、さらにADR機構を研究するのに良い候補であると考えられる。
- 参考スコア(独自算出の注目度): 1.58310730488265
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Adverse Drug Reactions (ADRs) are characterized within randomized clinical
trials and postmarketing pharmacovigilance, but their molecular mechanism
remains unknown in most cases. Aside from clinical trials, many elements of
knowledge about drug ingredients are available in open-access knowledge graphs.
In addition, drug classifications that label drugs as either causative or not
for several ADRs, have been established. We propose to mine knowledge graphs
for identifying biomolecular features that may enable reproducing automatically
expert classifications that distinguish drug causative or not for a given type
of ADR. In an explainable AI perspective, we explore simple classification
techniques such as Decision Trees and Classification Rules because they provide
human-readable models, which explain the classification itself, but may also
provide elements of explanation for molecular mechanisms behind ADRs. In
summary, we mine a knowledge graph for features; we train classifiers at
distinguishing, drugs associated or not with ADRs; we isolate features that are
both efficient in reproducing expert classifications and interpretable by
experts (i.e., Gene Ontology terms, drug targets, or pathway names); and we
manually evaluate how they may be explanatory. Extracted features reproduce
with a good fidelity classifications of drugs causative or not for DILI and
SCAR. Experts fully agreed that 73% and 38% of the most discriminative features
are possibly explanatory for DILI and SCAR, respectively; and partially agreed
(2/3) for 90% and 77% of them. Knowledge graphs provide diverse features to
enable simple and explainable models to distinguish between drugs that are
causative or not for ADRs. In addition to explaining classifications, most
discriminative features appear to be good candidates for investigating ADR
mechanisms further.
- Abstract(参考訳): 逆薬物反応(ADRs)は、ランダム化臨床試験や市販後の薬剤移動において特徴付けられるが、ほとんどの場合、その分子機構は分かっていない。
臨床試験とは別に、薬物成分に関する多くの知識要素がオープンアクセスナレッジグラフで利用可能である。
さらに、薬物をいくつかのADRに対して因果的または非因果的とみなす薬物分類が確立されている。
特定の種類のadrに対して薬剤因果を区別するかどうかを自動的に再現できる生体分子の特徴を同定するための知識グラフをマイニングする。
説明可能なaiの観点からは、分類自体を説明する人間の可読性モデルを提供するが、adrの背後にある分子メカニズムの説明要素を提供するため、決定木や分類規則のような単純な分類手法を探求する。
まとめると、我々は特徴の知識グラフを抽出し、ADRに関連付けられていない薬物を識別するための分類器を訓練し、専門家の分類を再現し、専門家によって解釈できる特徴(遺伝子オントロジー用語、薬物標的、経路名など)を分離し、手動で説明できるかどうかを評価する。
抽出された特徴は、DILIおよびSCARの薬剤因果関係の良好な忠実度分類で再現される。
専門家は、最も差別的な特徴の73%と38%は、それぞれDILIとSCARの解説であり、90%と77%で部分的に合意している(2/3)。
知識グラフは、シンプルで説明可能なモデルで、ADRに原因があるかどうかを区別するための多様な機能を提供します。
分類を説明することに加えて、ほとんどの識別的特徴はadr機構をさらに調査する良い候補であると考えられる。
関連論文リスト
- Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。
回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
論文 参考訳(メタデータ) (2024-05-23T13:22:17Z) - drGAT: Attention-Guided Gene Assessment of Drug Response Utilizing a Drug-Cell-Gene Heterogeneous Network [9.637695046701493]
drGATは、薬物に対する感受性を予測するグラフ深層学習モデルである。
drGATは既存のモデルよりも優れた性能を示し、精度は78%、F1スコアは76%、DNA損傷物質は269である。
本手法は薬剤感受性を正確に予測するために有用であり,がん患者の治療に関するバイオマーカーの同定に有用である。
論文 参考訳(メタデータ) (2024-05-14T22:16:52Z) - "Hey..! This medicine made me sick": Sentiment Analysis of User-Generated Drug Reviews using Machine Learning Techniques [2.2874754079405535]
本研究は、特定の薬物に関するユーザレビューを、ポジティブ、ネガティブ、中立などの異なるクラスに分類する薬物レビュー分類システムを提案する。
収集されたデータは手動でラベル付けされ、ラベルが正しいことを保証するために手動で検証される。
論文 参考訳(メタデータ) (2024-04-09T08:42:34Z) - NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical
Development Patterns of Preterm Infants [73.85768093666582]
我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。
NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
論文 参考訳(メタデータ) (2023-01-01T12:48:12Z) - Knowledge-Driven New Drug Recommendation [88.35607943144261]
既存の薬物と新薬のギャップを埋めるために, 薬物依存型マルチフェノタイプ数発学習機を開発した。
EDGEは外部薬効知識ベースを用いて偽陰性監視信号を除去する。
その結果, EDGEは, ROC-AUCスコアよりも7.3%向上していることがわかった。
論文 参考訳(メタデータ) (2022-10-11T16:07:52Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳(メタデータ) (2021-03-19T14:13:56Z) - A Review of Biomedical Datasets Relating to Drug Discovery: A Knowledge
Graph Perspective [4.746544835197422]
薬物発見分野に新しい技術を適用することに興味を持つ機械学習や知識グラフの実践者を支援することを目的としている。
様々な創薬中心の知識グラフの構築に適した情報を含む公開のプライマリデータソースを詳細に説明します。
論文 参考訳(メタデータ) (2021-02-19T17:49:38Z) - Neural networks for Anatomical Therapeutic Chemical (ATC) [83.73971067918333]
両方向の長期記憶ネットワーク(BiLSTM)から抽出された集合を含む、特徴の異なるセットで訓練された複数の複数ラベル分類器を組み合わせることを提案する。
実験はこのアプローチのパワーを実証し、文献で報告された最良の手法よりも優れていることを示した。
論文 参考訳(メタデータ) (2021-01-22T19:49:47Z) - Modeling Pharmacological Effects with Multi-Relation Unsupervised Graph
Embedding [4.999039245939572]
本稿では,薬物や疾患の潜伏表現を学習するマルチリレーションな教師なしグラフ埋め込みモデルに基づく手法を提案する。
薬物と疾患の表現が得られれば、薬物と疾患の間の新しいつながり(つまり、新しい兆候)の可能性を学習する。
既知の薬物の表示は、潜在的な表示を予測するモデルを学ぶために使用される。
論文 参考訳(メタデータ) (2020-04-30T14:51:25Z) - Adversarial Feature Hallucination Networks for Few-Shot Learning [84.31660118264514]
Adversarial Feature Hallucination Networks (AFHN) は条件付き Wasserstein Generative Adversarial Network (cWGAN) に基づいている。
合成された特徴の識別性と多様性を促進するために、2つの新規レギュレータがAFHNに組み込まれている。
論文 参考訳(メタデータ) (2020-03-30T02:43:16Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。