Halbüberwachtes Graphlernen zur Vorhersage von Arzneimittel wechselwirkungen

Dieses Projekt schlägt einen Rahmen für halbüberwachtes Graph-Learning zur Vorhersage von Arzneimittelwechselwirkungen vor, der darauf ausgelegt ist, die Einschränkungen herkömmlicher überwachter Lernverfahren zu überwinden, für die große Mengen an beschrifteten Wechselwirkungsdaten erforderlich sind. Der vorgeschlagene Ansatz integriert sowohl beschriftete als auch unbeschriftete Arzneimittelinformationen auf effektive Weise, sodass das Modell auch dann aussagekräftige Muster erlernen kann, wenn nur eine begrenzte Anzahl bekannter Wechselwirkungen vorliegt. Jedes Medikament wird anhand umfassender Merkmalsinformationen dargestellt, darunter Molekülstrukturen, chemische Deskriptoren, pharmakologische Eigenschaften und bestehende Wechselwirkungsnetzwerke. Diese Merkmale werden in eine graphbasierte Darstellung integriert, die die intrinsischen Beziehungen zwischen den Medikamenten bewahrt. Anschließend wird ein graphneuraler Netzwerk eingesetzt, um Nachrichtenübertragung und Nachbarschaftsaggregation durchzuführen, wodurch niedrigdimensionale Einbettungsvektoren erzeugt werden, die sowohl die strukturellen als auch die semantischen Eigenschaften jedes Arzneimittels innerhalb des Wechselwirkungsnetzwerks erfassen. Diese gelernten Einbettungen werden anschließend verwendet, um bisher unbekannte oder potenzielle Arzneimittel-Wechselwirkungen mit verbesserter Genauigkeit vorherzusagen.