جايگزيني دارو براساس پيش‌بيني يال روي گراف‌هاي ناهمگون با بهره‌گيري از جاسازي گراف ناهمگون

Drug repositioning based on link prediction on heterogeneous graphs using heterogeneous graph embedding

در حوزه زيست‌پزشكي، داده‌هاي انبوهي از جمله اطلاعات ژن‌، بيماري‌، داروها و اثرات جانبي آن‌ها و شبكه‌ي ارتباط پروتئيني، توليد و در منابع اطلاعاتي متنوعي ذخيره شده‌است. با استفاده از رويكردهاي درحال توسعه داده‌كاوي و متن‌كاوي مي‌توان اطلاعات ارزشمندي را از اين داده‌هاي عظيم، استخراج نمود. يكي از كاربردهاي دانش استخراج‌شده از داده‌هاي زيست‌پزشكي، كشف ارتباطات جديد بين داروها و بيماري‌ها و درنتيجه امكان جايگزيني داروها براي بيماري‌هاي سخت‌درمان يا بيماري‌هاي جديد است. در اين پژوهش روشي پيشنهاد شده‌است تا با ايجاد يك شبكه‌ي ارتباطي ناهمگون از اطلاعات دارويي و داده‌هاي مرتبط با آن، به پيش‌بيني ارتباطات جديد بين داروها و بيماري‌ها پرداخته شود. ابتدا موجوديت‌ها و مفاهيم مرتبط با حوزه دارويي از منابع مختلف پزشكي استخراج و تبديل به يك گراف ناهمگون مي‌شوند. سپس با جاسازي گره‌هاي اين گراف ناهمگون و تبديل هر گره به يك بردار ويژگي، ورودي مناسب براي الگوريتم‌هاي يادگيري ماشين فراهم مي‌شود. درنهايت با استفاده از روش پيش‌بيني پيوند ، داروهاي مشابه در اين گراف شناسايي و از آن‌ها در فرايند جايگزيني دارو استفاده مي‌شود. نتايج ارزيابي‌ها نشان مي‌دهد اين روش عملكرد موثري در جاسازي گراف‌هاي ناهمگون و پيش‌بيني يال داشته‌است و به امتياز 96.6% با معيار AUC دست يافته است.