20167

۲۰۱۶۷

پيش بيني ارتباطات دارو-هدف با استفاده از بردار نهفته در گراف ناهمگن ارتباطات

كارشناسي ارشد

هوش مصنوعي

۱۳۹۵

۱۳۹۷/۱۲/۶

دكتر بهروز مينايي

كامپيوتر

پيشبيني ارتباطات دارو-هدف مرحلهي مهمي در فرآيند كشف دارو 1 و استفادهي مجدد از دارو 2 است كه هدفش تشخيص داروهاي موثر جديد و يا كشف هدف جديدي براي داروهاي موجود است. هزينهي آزمايشگاهي 9 ميليارد دلار براي هر موجوديت جديد بوده و / كشف داروي جديد تخمين زده ميشود كه به طور ميانگين 8 زماني كه طول ميكشد تا داروي تازه كشف شده وارد بازار شود گاهي به دههها ميرسد براي مثال تقريبا ۲۰ داروي جديد سالانه توسط سازمان غذا و دارو آمريكا تائيد ميشود. روشهاي محاسباتي با استفاده از كامپيوتر ميتوانند اين هزينهها را به طرز شگفت آوري كاهش دهند. اين روشها ارتباطات دارو-هدف منتخب را تشخيص داده و اعتبارسنجي ارتباطات را با پيشبيني زودهنگام راهنمايي كرده و هزينه و زمان مورد نياز براي كشف دارو و استفادهي مجدد از آن را كاهش ميدهند [1] . در واقع اين كار ميتواند فضاي جستجو براي كانديدهاي منتخب كه در آينده به صورت آزمايشگاهي بايد تحت بررسي قرار بگيرند را كوچك كند و بررسيهاي آزمايشگاهي را هدفمندتر ميكند. امروزه تعداد خصيصهها و ويژگيها در داروها و هدفها و همچنين ارتباطات كشف شده بسيار افزايش داشته است كه با روشهاي آزمايشگاهي و بدن استفاده و كمك كامپيوترها كشف ارتباطات و الگوهاي نهفته در آنها امري ناممكن است. به همين دليل استفاده از روشهاي محاسباتي براي پيشبيني ارتباطات دارو-هدف به امري ضروري تبديل شده است. وجود مجموعه دادههاي عظيم از ارتباطات دارو-هدف و ويژگيهاي آنها در كنار پيشرفت ابزارهاي محاسباتي در دهه اخير بستر لازم براي بررسي بيشتر اين دادهها با استفاده از روشهاي محاسباتي را فراهم آورده است و باعث كاهش هزينه و زمان فرآيند كشف دارو شده است. همچنين از ديگر مزايايي كه كشف ارتباطات دارو-هدف ميتواند داشته باشد به پيشبيني زودهنگام اثرات جانبي داروها و اثرگذاري داروهاي موجود بر روي بيماريهاي ديگر كه با نام استفادهي مجدد از دارو شناخته ميشود ميتوان اشاره كرد . در اين تحقيق به مروري بر روشهاي محاسباتي كشف ارتباطات دارو-هدف پرداخته؛ دسته بندي از اين روشها ارائه و سپس روش نويني براي پيشبيني ارتباطات دارو-هدف معرفي ميشود. با توجه به اين كه دادههاي موجود براي پيشبيني ارتباطات دارو-هدف از انواع گوناگون هستند و اكثر روشهاي مبتني بر شبكهي پيشين بدون توجه به اين امر به حل و بررسي مسئله پيشبيني ارتباطات دارو-هدف ميپردازند؛ در اين تحقيق از الگوريتم Metapath2vec [2] براي حل اين مسئله استفاده شده است. با استفاده از اين الگوريتم به يادگيري ويژگيهاي هر گره در گراف ارتباطات پرداخته و بردار نهفتهاي براي آنها ميسازيم. سپس با استفاده از الگوريتم دسته بندي به پيشبيني ارتباطات ميپردازيم. در آخر استفاده از الگوريتم Metapath2vec را در اين مجموعه داده با روشهاي موجود در گرافهاي همگن مانند [3] node2vec و [4] DeepWalk مقايسه ميكنيم.

1397/12/13

Drug-Target Interaction Prediction by Node Embedding in Heterogeneous Network of Interactions

2/25/2019 12:00:00 AM

For a new drug to be FDA approved it often takes nearly a decade and approximately 20 new drugs have been approved by US Food and Drug Administration (FDA) each year. Accurately predicting drug-target interactions (DTIs) by computational methods is an important area of drug research, which brings about a broad prospect for fast and low-risk drug development. By accurate prediction of drugs and targets interactions scientists can scale-down huge experimental space and reduce the costs and help to a faster drug development as well as predicting the side effects and potential functions of new drugs. Many approaches have been taken by researchers to solve DTI problem and enhance the accuracy of methods. State-of-the-art approaches are based on various techniques, such as deep learning methods such as stacked autoencoder, matrix factorization, network inference and ensemble methods. In this work, we have taken a new approach based on node embedding in a heterogeneous interaction network to obtain representation of each node in the interaction network and then use a binary classifier such as logistic regression to solve this prominent problem in pharmaceutical industry. Most introduced network-based methods use homogeneous network of interactions as their input data whereas in the real word problem there exist other informative networks to help enhancing the prediction and by considering the homogeneous networks we lose some precious network information. Hence, in this work we have tried to work on heterogeneous network and have improved the accuracy of method in comparison to baseline methods.