| Περίληψη: | Η πολυφαρμακευτική αγωγή, ειδικά σε μία σύγχρονη κοινωνία, αποτελεί μία πολύ δημοφιλής και συχνή προσέγγιση θεραπείας και καταπολέμησης πολύπλοκων ασθενειών. Παρά το γεγονός αυτό, μία τέτοια αγωγή μπορεί να οδηγήσει σε αύξηση του κινδύνου εμφάνισης ανεπιθύμητων παρενεργειών, οι οποίες τις περισσότερες φορές παρατηρούνται μετά την κυκλοφορία των φαρμάκων στην αγορά. Η σημαντική αύξηση της πληροφορίας σε όλους τους τομείς της καθημερινότητας, που παρατηρείται τα τελευταία χρόνια, οδήγησε και στη διάθεση δεδομένων σχετικά με το παραπάνω πρόβλημα της εμφάνισης παρενεργειών, γεγονός που ώθησε σε περαιτέρω ενασχόληση και έρευνα του προβλήματος με προσεγγίσεις Μηχανικής Μάθησης, οι οποίες προσπαθούν να προβλέψουν τις πιθανές αναφερόμενες αλληλεπιδράσεις φαρμάκων. Η παρούσα διπλωματική εργασία εξετάζει το παραπάνω γεγονός, μέσω της σύγκρισης και αξιολόγησης δύο node embedding αλγορίθμων, node2vec και attri2vec.
Οι δύο παραπάνω αλγόριθμοι, δέχονται σαν είσοδο ένα γράφημα, στη συγκεκριμένη περίπτωση ένα γράφημα-δίκτυο αλληλεπιδράσεων φαρμάκων (Drug-Drug Interactions, DDI), όπου κάθε ακμή αντιστοιχεί σε μία γνωστή αλληλεπίδραση μεταξύ φαρμάκων και κάθε κόμβος αναπαριστά ένα φάρμακο, συμπεριλαμβανομένου ή όχι ορισμένων ιδιοτήτων του (π.χ. χημική δομή). Τα βήματα για τη δημιουργία ενός μοντέλου πρόβλεψης αλληλεπιδράσεων φαρμάκων, με τη χρήση των παραπάνω αλγορίθμων είναι όμοια και στις δύο περιπτώσεις.
Αρχικά, ερευνώνται οι καλύτεροι παράμετροι για την υλοποίηση των node embedding αλγορίθμων και στη συνέχεια δίνεται η απαραίτητη είσοδος για την εξαγωγή των επιθυμητών αναπαραστάσεων. Οι αναπαραστάσεις αυτές, αποτελούν διανύσματα τα οποία αποθηκεύουν όλες τις ιδιότητες και πληροφορίες που παρείχε το γράφημα εισόδου DDI. Στη συνέχεια, οι παραπάνω αναπαραστάσεις κόμβων, μετατρέπονται σε link features-embeddings, τα οποία είναι και αυτά που θα αποτελέσουν την είσοδο στο τελικό νευρωνικό δίκτυο, που θα έχει σαν στόχο την όσο το δυνατόν καλύτερη πρόβλεψη ύπαρξης ή μη αλληλεπίδρασης ανάμεσα σε ζεύγη φαρμάκων.
Οι μετρήσεις των αποτελεσμάτων είναι πολύ ικανοποιητικές και ενδιαφέρουσες, ειδικά στη περίπτωση του αλγορίθμου attri2vec, που χαρακτηρίζεται ως inductive αλγόριθμος.
Στόχος λοιπόν, της παρούσας διπλωματικής εργασίας είναι η αξιοποίηση της υπάρχουσας γνώσης στο πεδίο της Μηχανική Μάθησης, με σκοπό την ερμηνεία και την επίλυση υπαρκτών προβλημάτων της σύγχρονης κοινωνίας που ο τομές της Βιοπληροφορικής καλείται να αντιμετωπίσει, καθώς και η προώθηση της έρευνας του συγκεκριμένου πεδίου με την αξιοποίηση των δύο παραπάνω αλγορίθμων σε βιολογικά δεδομένα.
|
|---|
