Tri-Graph-Informationsspropagation für die Vorhersage von Polypharmazie-Seitenwirkungen

Die Anwendung von Arzneimittelkombinationen führt häufig zu polypharmazeutischen Nebenwirkungen (POSE). Eine neuere Methode formuliert die POSE-Vorhersage als Link-Prädiktionsproblem auf einem Graphen aus Arzneimitteln und Proteinen und löst es mittels Graphen-Convolutional Networks (GCNs). Aufgrund der komplexen Beziehungen im POSE-Phänomen weist diese Methode jedoch hohe Rechenkosten und Speicheranforderungen auf. In diesem Beitrag wird ein flexibles Tri-Graph-Informationsspropagation-Modell (TIP) vorgestellt, das auf drei Teilgraphen operiert und durch schrittweise Informationsweiterleitung vom Protein-Protein-Graphen über den Protein-Arzneimittel-Graphen zum Arzneimittel-Arzneimittel-Graphen Repräsentationen lernend erzeugt. Experimente zeigen, dass TIP die Genauigkeit um mehr als 7 %, die Zeiteffizienz um das 83-fache und die Speichereffizienz um das 3-fache verbessert.