Advanced Drug Interaction Event Prediction

要約

薬物間相互作用の有害事象、いわゆる DDI イベントを予測することは、薬物使用や有害反応の根底にあるメカニズムの研究を容易にするため、ますます価値が高まっています。
既存のモデルは、マルチソース機能を統合する際に個々のイベント クラスの特有の特性を無視することが多く、これが非常に不均衡なイベント サンプルを扱う際の体系的な不公平の一因となります。
さらに、各イベントサブクラスの固有の属性を抽象化するこれらのモデルの能力が限られているため、限られたサンプルサイズでまれな薬物間相互作用イベントを予測する際の適用が大幅に妨げられます。
データセットのバイアスを軽減することと、イベントのサブクラス特性を抽象化することは、2 つの未解決の課題です。
最近、凍結された事前トレーニングされたグラフ モデルを使用したプロンプト チューニング、つまり「事前トレーニング、プロンプト、微調整」戦略により、ショット数の少ないタスクで優れたパフォーマンスが実証されました。
これを動機として、私たちはこれらの前述の課題に対処するためのソリューションとして高度な方法を提案します。
具体的には、私たちが提案するアプローチには、ノード埋め込み内の暗黙的なデータセットのバイアスを効果的に軽減しながら、薬物の分子構造と分子間相互作用の重要な側面を捕捉することを目的とした階層的な事前トレーニングタスクが含まれます。
さらに、異なるイベント タイプから戦略的にデータをサンプリングすることでプロトタイプ グラフを構築し、事前トレーニングされたノード機能を利用してサブグラフ プロンプトを設計します。
包括的なベンチマーク実験を通じて、イベント クラスを正確に表現するサブグラフ プロンプトの有効性を検証し、全体予測タスクとサブクラス予測タスクの両方で模範的な結果を達成しました。

要約(オリジナル)

Predicting drug-drug interaction adverse events, so-called DDI events, is increasingly valuable as it facilitates the study of mechanisms underlying drug use or adverse reactions. Existing models often neglect the distinctive characteristics of individual event classes when integrating multi-source features, which contributes to systematic unfairness when dealing with highly imbalanced event samples. Moreover, the limited capacity of these models to abstract the unique attributes of each event subclass considerably hampers their application in predicting rare drug-drug interaction events with a limited sample size. Reducing dataset bias and abstracting event subclass characteristics are two unresolved challenges. Recently, prompt tuning with frozen pre-trained graph models, namely ‘pre-train, prompt, fine-tune’ strategy, has demonstrated impressive performance in few-shot tasks. Motivated by this, we propose an advanced method as a solution to address these aforementioned challenges. Specifically, our proposed approach entails a hierarchical pre-training task that aims to capture crucial aspects of drug molecular structure and intermolecular interactions while effectively mitigating implicit dataset bias within the node embeddings. Furthermore, we construct a prototypical graph by strategically sampling data from distinct event types and design subgraph prompts utilizing pre-trained node features. Through comprehensive benchmark experiments, we validate the efficacy of our subgraph prompts in accurately representing event classes and achieve exemplary results in both overall and subclass prediction tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google