Νευρωνικά δίκτυα γράφων και συνελικτικά νευρωνικά δίκτυα γράφων και οι εφαρμογές τους στην βιοϊατρική
Τα Νευρωνικά Δίκτυα Γράφων(Graph Neural Networks) (ΝΔΓ)είναι μοντέλα σύνδεσης που χρησιμοποιούν τη μετάδοση μηνυμάτων μεταξύ κόμβων γραφημάτων για να αντικατοπτρίζουν την εξάρτηση γράφου. Τα Νευρωνικά δίκτυα γράφων, σε αντίθεση με τα κανονικά νευρωνικά δίκτυα, διατηρούν μια κατάσταση που τους επιτρέ...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2021
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/14969 |
| id |
nemertes-10889-14969 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Νευρωνικά δίκτυα γράφων Βαθία μάθηση Πολυφαρμακευτική Βιοπληροφορική Graph neural networks Deep learning Polypharmacy Bioinformatics |
| spellingShingle |
Νευρωνικά δίκτυα γράφων Βαθία μάθηση Πολυφαρμακευτική Βιοπληροφορική Graph neural networks Deep learning Polypharmacy Bioinformatics Δελημιχάλης, Αλέξανδρος Νευρωνικά δίκτυα γράφων και συνελικτικά νευρωνικά δίκτυα γράφων και οι εφαρμογές τους στην βιοϊατρική |
| description |
Τα Νευρωνικά Δίκτυα Γράφων(Graph Neural Networks) (ΝΔΓ)είναι μοντέλα σύνδεσης που χρησιμοποιούν τη μετάδοση μηνυμάτων μεταξύ κόμβων γραφημάτων για να αντικατοπτρίζουν την εξάρτηση γράφου. Τα Νευρωνικά δίκτυα γράφων, σε αντίθεση με τα κανονικά νευρωνικά δίκτυα, διατηρούν μια κατάσταση που τους επιτρέπει να αντιπροσωπεύουν πληροφορίες από το άμεσο περιβάλλον τους με αυθαίρετο βάθος. Παρόλο που πάντα πιστεύαμε ότι η εκπαίδευση ΝΔΓ για ένα σταθερό σημείο ήταν δύσκολη, οι πρόσφατες βελτιώσεις στις τοπολογίες δικτύου, τις τεχνικές βελτιστοποίησης και την παράλληλη επεξεργασία κατέστη-σαν δυνατή την επιτυχή εκπαίδευσή τους. Πολλές εργασίες μηχανικής μάθησης περιλαμβάνουν την εργασία με δεδομένα γράφων ,τα οποία προσφέρουν πληθώρα σχεσιακών πληροφοριών μεταξύ τμημάτων. ́Ενα μοντέλο που μαθαίνει από τις εισόδους γραφημάτων απαιτείται για τη μοντελοποιήση συστημάτων φυσικής, την εκμάθηση μοριακών δακτυλικών αποτυπωμάτων, την πρόβλεψη αλληλεπίδρασης πρωτεϊνών και την κατηγοριοποίηση ασθενειών. Η πολυφαρμακευτική ή η χρήση φαρμακολογικών συνδυασμών για τη θεραπεία ασθενών με σύνθετες ασθένειες ή συνυπάρχουσες ασθένειες, είναι συχνή. Η πολυφαρμακευτική, από την άλλη πλευρά, έχει σημαντικό αντίκτυπο στον κίνδυνο ανεπιθύμητων παρενεργειών του ασθενούς. Οι αλληλεπιδράσεις μεταξύ ναρκωτικών και φαρμάκων δημιουργούν παρενέργειες πολυφαρμακευτικής δράσης, στις οποίες η δραστηριότητα ενός φαρμάκου αλλάζει, είτε ευνοϊκά είτε δυσμενώς, όταν λαμβάνεται με άλλο φάρμακο. Επειδή αυτές οι περίπλοκες συσχετίσεις είναι σπάνιες και συχνά δεν απαντώνται σε σχετικά μικρές κλινικές δοκιμές, η κατανόησή μας σχετικά με τις αλληλεπιδράσεις φαρμάκων είναι συχνά περιορισμένη. Ως αποτέλεσμα, ο προσδιορισμός των παρενεργειών της πολυφαρμακευτικής ουσίας παραμένει ένα τεράστιο ζήτημα με σοβαρές επιπτώσεις στη θνησιμότητα και τη νοσηρότητα των ασθενών. Προκειμένου να μοντελοποιήσει τις παρενέργειες πολυφαρμακευτικής χρησιμοποιώντας νευρωνικά δίκτυα γράφων, τοDecagon,δημιουργεί ένα πολυτροπικό γράφο αλληλεπιδράσεων πρωτεΐνης-πρωτεΐνης, αλληλεπιδράσεων φαρμάκου-στόχου πρωτεΐνης και παρενεργειών πολυφαρμακευτικής αγωγής, οι οποίες αντιπροσωπεύονται ως αλληλεπιδράσεις φαρμάκου-φαρμάκου, με κάθε παρενέργεια να αντιπροσωπεύεται από έναν ξεχωριστό τύπο ακμής. Το Decagon δημιουργήθηκε κυρίως για να χειριστεί πολυτροπικούς γράφους με πολλούς διαφορετικούς τύπους ακμών. Αυτή η μέθοδος δημιουργεί ένα νέο γράφημα συνελικτικού νευρωνικού δικτύου που μπορεί να προβλέψει πολυσχεσιακούς συνδέσμους σε πολυτροπικά δίκτυα. ΤοDecagonμπορεί να προβλέψει την ακριβή παρενέργεια, εάν υπάρχει, με την οποία ένας δεδομένος συνδυασμός φαρμάκων εμφανίζεται κλινικά, σε αντίθεση με τις τεχνικές που περιορίζονται στην πρόβλεψη απλών τιμών αλληλεπίδρασης φαρμάκου-φαρμάκου. Το Decagonπροσομοιώνει τις παρενέργειες της πολυφαρμακευτικής αγωγής με μια ισχυρή μοριακή βάση ιδιαίτερα αποτελεσματικά, ενώ επιτυγχάνει καλές επιδόσεις κυρίως στις μη μοριακές παρενέργειες λόγω της αποτελεσματικής ανταλλαγής παραμέτρων μοντέλου σε όλους τους τύπους ακμών. Το Decagon ανοίγει την πόρτα στη χρήση μεγάλων δεδομένων φάρμακο-γονιδιωματικών και πληθυσμού ασθενών για τον εντοπισμό και την ιεράρχηση των ανεπιθύμητων ενεργειών της πολυφαρμακευτικής αγωγής για περαιτέρω διερεύνηση μέσω επίσημων φαρμακολογικών ερευνών. |
| author2 |
Delimichalis, Alexandros |
| author_facet |
Delimichalis, Alexandros Δελημιχάλης, Αλέξανδρος |
| author |
Δελημιχάλης, Αλέξανδρος |
| author_sort |
Δελημιχάλης, Αλέξανδρος |
| title |
Νευρωνικά δίκτυα γράφων και συνελικτικά νευρωνικά δίκτυα γράφων και οι εφαρμογές τους στην βιοϊατρική |
| title_short |
Νευρωνικά δίκτυα γράφων και συνελικτικά νευρωνικά δίκτυα γράφων και οι εφαρμογές τους στην βιοϊατρική |
| title_full |
Νευρωνικά δίκτυα γράφων και συνελικτικά νευρωνικά δίκτυα γράφων και οι εφαρμογές τους στην βιοϊατρική |
| title_fullStr |
Νευρωνικά δίκτυα γράφων και συνελικτικά νευρωνικά δίκτυα γράφων και οι εφαρμογές τους στην βιοϊατρική |
| title_full_unstemmed |
Νευρωνικά δίκτυα γράφων και συνελικτικά νευρωνικά δίκτυα γράφων και οι εφαρμογές τους στην βιοϊατρική |
| title_sort |
νευρωνικά δίκτυα γράφων και συνελικτικά νευρωνικά δίκτυα γράφων και οι εφαρμογές τους στην βιοϊατρική |
| publishDate |
2021 |
| url |
http://hdl.handle.net/10889/14969 |
| work_keys_str_mv |
AT delēmichalēsalexandros neurōnikadiktyagraphōnkaisyneliktikaneurōnikadiktyagraphōnkaioiepharmogestousstēnbioïatrikē AT delēmichalēsalexandros graphneuralnetworksandconvolutionalgraphneuralnetworksandtheirapplicationsonbiomedical |
| _version_ |
1771297275959574528 |
| spelling |
nemertes-10889-149692022-09-05T20:18:14Z Νευρωνικά δίκτυα γράφων και συνελικτικά νευρωνικά δίκτυα γράφων και οι εφαρμογές τους στην βιοϊατρική Graph neural networks and convolutional graph neural networks and their applications on biomedical Δελημιχάλης, Αλέξανδρος Delimichalis, Alexandros Νευρωνικά δίκτυα γράφων Βαθία μάθηση Πολυφαρμακευτική Βιοπληροφορική Graph neural networks Deep learning Polypharmacy Bioinformatics Τα Νευρωνικά Δίκτυα Γράφων(Graph Neural Networks) (ΝΔΓ)είναι μοντέλα σύνδεσης που χρησιμοποιούν τη μετάδοση μηνυμάτων μεταξύ κόμβων γραφημάτων για να αντικατοπτρίζουν την εξάρτηση γράφου. Τα Νευρωνικά δίκτυα γράφων, σε αντίθεση με τα κανονικά νευρωνικά δίκτυα, διατηρούν μια κατάσταση που τους επιτρέπει να αντιπροσωπεύουν πληροφορίες από το άμεσο περιβάλλον τους με αυθαίρετο βάθος. Παρόλο που πάντα πιστεύαμε ότι η εκπαίδευση ΝΔΓ για ένα σταθερό σημείο ήταν δύσκολη, οι πρόσφατες βελτιώσεις στις τοπολογίες δικτύου, τις τεχνικές βελτιστοποίησης και την παράλληλη επεξεργασία κατέστη-σαν δυνατή την επιτυχή εκπαίδευσή τους. Πολλές εργασίες μηχανικής μάθησης περιλαμβάνουν την εργασία με δεδομένα γράφων ,τα οποία προσφέρουν πληθώρα σχεσιακών πληροφοριών μεταξύ τμημάτων. ́Ενα μοντέλο που μαθαίνει από τις εισόδους γραφημάτων απαιτείται για τη μοντελοποιήση συστημάτων φυσικής, την εκμάθηση μοριακών δακτυλικών αποτυπωμάτων, την πρόβλεψη αλληλεπίδρασης πρωτεϊνών και την κατηγοριοποίηση ασθενειών. Η πολυφαρμακευτική ή η χρήση φαρμακολογικών συνδυασμών για τη θεραπεία ασθενών με σύνθετες ασθένειες ή συνυπάρχουσες ασθένειες, είναι συχνή. Η πολυφαρμακευτική, από την άλλη πλευρά, έχει σημαντικό αντίκτυπο στον κίνδυνο ανεπιθύμητων παρενεργειών του ασθενούς. Οι αλληλεπιδράσεις μεταξύ ναρκωτικών και φαρμάκων δημιουργούν παρενέργειες πολυφαρμακευτικής δράσης, στις οποίες η δραστηριότητα ενός φαρμάκου αλλάζει, είτε ευνοϊκά είτε δυσμενώς, όταν λαμβάνεται με άλλο φάρμακο. Επειδή αυτές οι περίπλοκες συσχετίσεις είναι σπάνιες και συχνά δεν απαντώνται σε σχετικά μικρές κλινικές δοκιμές, η κατανόησή μας σχετικά με τις αλληλεπιδράσεις φαρμάκων είναι συχνά περιορισμένη. Ως αποτέλεσμα, ο προσδιορισμός των παρενεργειών της πολυφαρμακευτικής ουσίας παραμένει ένα τεράστιο ζήτημα με σοβαρές επιπτώσεις στη θνησιμότητα και τη νοσηρότητα των ασθενών. Προκειμένου να μοντελοποιήσει τις παρενέργειες πολυφαρμακευτικής χρησιμοποιώντας νευρωνικά δίκτυα γράφων, τοDecagon,δημιουργεί ένα πολυτροπικό γράφο αλληλεπιδράσεων πρωτεΐνης-πρωτεΐνης, αλληλεπιδράσεων φαρμάκου-στόχου πρωτεΐνης και παρενεργειών πολυφαρμακευτικής αγωγής, οι οποίες αντιπροσωπεύονται ως αλληλεπιδράσεις φαρμάκου-φαρμάκου, με κάθε παρενέργεια να αντιπροσωπεύεται από έναν ξεχωριστό τύπο ακμής. Το Decagon δημιουργήθηκε κυρίως για να χειριστεί πολυτροπικούς γράφους με πολλούς διαφορετικούς τύπους ακμών. Αυτή η μέθοδος δημιουργεί ένα νέο γράφημα συνελικτικού νευρωνικού δικτύου που μπορεί να προβλέψει πολυσχεσιακούς συνδέσμους σε πολυτροπικά δίκτυα. ΤοDecagonμπορεί να προβλέψει την ακριβή παρενέργεια, εάν υπάρχει, με την οποία ένας δεδομένος συνδυασμός φαρμάκων εμφανίζεται κλινικά, σε αντίθεση με τις τεχνικές που περιορίζονται στην πρόβλεψη απλών τιμών αλληλεπίδρασης φαρμάκου-φαρμάκου. Το Decagonπροσομοιώνει τις παρενέργειες της πολυφαρμακευτικής αγωγής με μια ισχυρή μοριακή βάση ιδιαίτερα αποτελεσματικά, ενώ επιτυγχάνει καλές επιδόσεις κυρίως στις μη μοριακές παρενέργειες λόγω της αποτελεσματικής ανταλλαγής παραμέτρων μοντέλου σε όλους τους τύπους ακμών. Το Decagon ανοίγει την πόρτα στη χρήση μεγάλων δεδομένων φάρμακο-γονιδιωματικών και πληθυσμού ασθενών για τον εντοπισμό και την ιεράρχηση των ανεπιθύμητων ενεργειών της πολυφαρμακευτικής αγωγής για περαιτέρω διερεύνηση μέσω επίσημων φαρμακολογικών ερευνών. Graph neural networks (GNNs) are connectionist models that use message passing between graph nodes to reflect graph dependence. Graph neural networks, unlike normal neural networks, keep a state that allows them to represent information from their immediate surroundings with arbitrary depth. Although it was always thought that training GNNs for a fixed point was difficult, recent improvements in network topologies, optimization techniques, and parallel processing have made it possible to train them successfully. Many machine-learning activities include working with graph data, which offers a wealth of relational information between parts. A model that learns from graph inputs is required for modeling physics systems, learning molecular fingerprints, predicting protein interface, and categorizing diseases. Polypharmacy, or the use of pharmacological combinations to treat patients with complex diseases or co-existing ailments, is frequent. Polypharmacy, on the other hand, has a significant impact on the patient's risk of undesirable side effects. Drug–drug interactions generate polypharmacy side effects, in which the activity of one drug changes, either favorably or adversely, when taken with another drug. Because these complicated associations are infrequent and frequently not found in relatively small clinical tests, our understanding of medication interactions is often restricted. As a result, identifying polypharmacy side effects remains a huge issue with serious implications for patient mortality and morbidity. In order to model polypharmacy side effects using graph neural networks, Decagon, creates a multimodal graph of protein–protein interactions, drug–protein target interactions, and polypharmacy side effects, which are represented as drug–drug interactions, with each side effect being represented by a distinct type of edge. Decagon was created primarily to handle multimodal graphs with many different edge types. This method creates a novel graph convolutional neural network that can predict multirelational links in multimodal networks. Decagon can anticipate the exact side effect, if any, by which a given drug combination appears clinically, unlike techniques limited to predicting simple drug–drug interaction values. Decagon simulates polypharmacy side effects with a strong molecular base particularly effectively, while it achieves good performance on mostly non-molecular side effects due to effective sharing of model parameters across edge types. Decagon opens the door to using big pharmacogenomics and patient population data to identify and prioritize polypharmacy adverse effects for further investigation through formal pharmacological investigations. 2021-07-12T05:44:13Z 2021-07-12T05:44:13Z 2021-07-13 http://hdl.handle.net/10889/14969 gr application/pdf application/pdf |
