Πρόβλεψη αλληλεπίδρασης φαρμάκων (Drug-Drug interaction prediction) χρησιμοποιώντας Graph Neural Networks (GNN)
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 περισσότερ...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2022
|
| Θέματα: | |
| Διαθέσιμο Online: | https://hdl.handle.net/10889/23572 |
| id |
nemertes-10889-23572 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Graph Neural Networks Node embeddings Drug-Drug Interactions |
| spellingShingle |
Graph Neural Networks Node embeddings Drug-Drug Interactions Παπαδοπούλου Μαριάννα Πρόβλεψη αλληλεπίδρασης φαρμάκων (Drug-Drug interaction prediction) χρησιμοποιώντας Graph Neural Networks (GNN) |
| description |
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. |
| author2 |
Papadopoulou Marianna |
| author_facet |
Papadopoulou Marianna Παπαδοπούλου Μαριάννα |
| author |
Παπαδοπούλου Μαριάννα |
| author_sort |
Παπαδοπούλου Μαριάννα |
| title |
Πρόβλεψη αλληλεπίδρασης φαρμάκων (Drug-Drug interaction prediction) χρησιμοποιώντας Graph Neural Networks (GNN) |
| title_short |
Πρόβλεψη αλληλεπίδρασης φαρμάκων (Drug-Drug interaction prediction) χρησιμοποιώντας Graph Neural Networks (GNN) |
| title_full |
Πρόβλεψη αλληλεπίδρασης φαρμάκων (Drug-Drug interaction prediction) χρησιμοποιώντας Graph Neural Networks (GNN) |
| title_fullStr |
Πρόβλεψη αλληλεπίδρασης φαρμάκων (Drug-Drug interaction prediction) χρησιμοποιώντας Graph Neural Networks (GNN) |
| title_full_unstemmed |
Πρόβλεψη αλληλεπίδρασης φαρμάκων (Drug-Drug interaction prediction) χρησιμοποιώντας Graph Neural Networks (GNN) |
| title_sort |
πρόβλεψη αλληλεπίδρασης φαρμάκων (drug-drug interaction prediction) χρησιμοποιώντας graph neural networks (gnn) |
| publishDate |
2022 |
| url |
https://hdl.handle.net/10889/23572 |
| work_keys_str_mv |
AT papadopouloumarianna problepsēallēlepidrasēspharmakōndrugdruginteractionpredictionchrēsimopoiōntasgraphneuralnetworksgnn AT papadopouloumarianna linkpredictioninddidrugdruginteractionsnetworksusinggnntechniques |
| _version_ |
1771297159586512896 |
| spelling |
nemertes-10889-235722022-11-02T04:34:56Z Πρόβλεψη αλληλεπίδρασης φαρμάκων (Drug-Drug interaction prediction) χρησιμοποιώντας Graph Neural Networks (GNN) Link prediction in DDI (Drug-Drug Interactions) networks using GNN techniques Παπαδοπούλου Μαριάννα Papadopoulou Marianna Graph Neural Networks Node embeddings Drug-Drug Interactions 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. Polypharmacy, especially nowadays, is a very popular approach for treating complex diseases. Despite this fact, such a treatment, can lead to increased risk of adverse side effects, many of which are most often noticed after the release of the drugs on the market. The significant increase of information in all areas of everyday life, which has been observed in recent years, has also led to the availability of data regarding the above problem of polypharmacy side effects, which has prompted further engagement and research of this issue, with Machine Learning approaches, which try to predict potential drug interactions. This thesis examines the above difficulty, through the comparison and evaluation of two node embedding algorithms, node2vec and attri2vec. The input of the above two algorithms is a graph, in this case a graph-network of Drug-Drug Interactions (DDI), where each edge corresponds to a known interaction between drugs and each node represents a drug, including or not some of its properties (e.g., chemical structure). The steps of creating a drug-drug interaction prediction model using the above algorithms are similar in both cases. First, we search the best combination of parameters for the implementations of the node embedding algorithms and then the necessary input is provided, so the desired node representations-embeddings can be extracted. These node embeddings are vectors that store all properties and information offered by the DDI input graph. Then, the above node representations are converted into link features-embeddings, which are the ones that will be the input to the final neural network, which will aim at the best possible prediction of the existence or non-existence of interaction between drug pairs. The results of the models are very satisfactory and interesting, especially in the case of the attri2vec algorithm, which is characterized as an inductive algorithm. Therefore, the purpose of this thesis is to utilize existing knowledge in the field of Machine Learning, with the aim of interpreting and solving existing problems of modern society that the field of Bioinformatics is called upon to face, as well as promoting research in this specific field with the use of the above two algorithms on biological data. 2022-11-01T07:29:38Z 2022-11-01T07:29:38Z 2022-09-23 https://hdl.handle.net/10889/23572 el application/pdf |
