planet

الكوكب: التنبؤ بالاستجابة السكانية للعقاقير عبر الرسم البياني المعرفة السريرية

تنفيذ Pytorch من Planet ، وهي أداة تعليمية هندسية عميقة للتنبؤ بالاستجابة السكانية للعقاقير. يوفر Planet رسمًا بيانيًا جديدًا للمعرفة السريرية يلتقط العلاقات بين بيولوجيا المرض ، وكيمياء المخدرات ، وخصائص السكان. باستخدام هذا الرسم البياني للمعرفة ، يمكن أن يأخذ Planet السكان والعقاقير المراد تطبيقها (على سبيل المثال ، تجربة سريرية) كمدخلات وتنبأ بفعالية وسلامة الأدوية للسكان. للحصول على وصف مفصل للخوارزمية ، يرجى الاطلاع على مخطوطة "التنبؤ بالاستجابة السكانية للعقاقير عبر الرسم البياني للمعرفة السريرية".

1. التثبيت

بيئة

قم بتشغيل الأوامر التالية لإنشاء بيئة كوندا:

conda create -n planet python=3.8
source activate planet

pip install torch==1.10.1+cu113 -f https://download.pytorch.org/whl/cu113/torch_stable.html
pip install transformers==4.4.2 datasets==2.7.1 tensorboard==2.11.0 pandas wandb scikit-learn seqeval matplotlib pyyaml seaborn anndata scanpy
pip install setuptools==58.2.0 numpy==1.22.2

pip install torch-scatter==2.0.9 torch-sparse==0.6.12 -f https://pytorch-geometric.com/whl/torch-1.10.1+cu113.html
pip install torch-geometric==2.0.0
pip install ogb==1.3.0 --no-deps

بعد هذا التثبيت ، يجب أن تكون نسخة مكتبة tokenizers 0.10.3. في حال واجهت خطأً حول إصدار tokenizers ، انتقل إلى <conda_path>/envs/<env_name>/lib/python3.8/site-packages/transformers/dependency_versions_check.py واستبدل if pkg == "tokenizers": ... حظر مع if pkg == "tokenizers": continue .

يجب أن يكون إجمالي وقت التثبيت في غضون 10 دقائق.

متطلبات الأجهزة: ذاكرة الوصول العشوائي 100 جيجابايت و GPU من ذاكرة 40 جيجابايت

بيانات

يمكنك تنزيل جميع البيانات (الرسم البياني للمعرفة ، مجموعة بيانات التجربة السريرية ، النماذج ، إلخ) من هنا (data.zip) . قم بفك هذه ، والتي ستنشئ دليلًا ./data .

2. التجريبي

نحن نقدم دفتر ملاحظات تجريبي لتحميل رسم بياني المعرفة الكوكب وبيانات التجارب السريرية ، وتشغيل نماذج الكوكب:

 notebooks/demo.ipynb

يجب أن يكون وقت التشغيل المتوقع ~ 10 دقائق.

3. النموذج التدريب

انتقل إلى ./gcn_models دليل. نقوم بتدريب النماذج على التنبؤ بفعالية وسلامة وأحداث سلبية محتملة لتجربة سريرية.

لتدريب نموذج للتنبؤ بالفعالية ، قم بتشغيل الأوامر في

 ../scripts/train_efficacy.sh

لتدريب نموذج للتنبؤ بالسلامة ، قم بتشغيل الأوامر في

 ../scripts/train_safety.sh

لتدريب نموذج للتنبؤ السلبي للحدث ، قم بتشغيل الأوامر في

 ../scripts/train_ae.sh

4. إذا كنت ترغب في استخدام نماذج الكوكب لبيانات التجربة السريرية الجديدة

نظرة عامة: تشغيل نماذجنا للتنبؤ بالتجارب السريرية الجديدة ينطوي على خطوتين:

• (1) تحليل التجربة ( parsing_package/parse_trial.py ) بحيث تتم معالجة بيانات التجربة مسبقًا وترتبط برسم تعريف الكوكب
• (2) قم بتشغيل النماذج للحصول على تنبؤات السلامة أو الفعالية ( notebooks/predict_for_new_clinial_trial.ipynb )

على وجه التحديد ، للقيام بذلك ، اتبع الخطوات أدناه:

• قم بتنزيل جميع البيانات والموارد اللازمة لتحليل البيانات التجريبية من هنا (parsing_package.zip) . قم بفك هذا ووضعه في دليل ./parsing_package . تثبيت التبعيات بمتابعة ./parsing_package/README
• انتقل إلى ./parsing_package دليل وقم بتشغيل parse_trial.py لمعالجة تجربة سريرية جديدة (على سبيل المثال ، NCT02370680)
• أخيرًا ، predict_for_new_clinial_trial.ipynb إلى ./notebooks

اقتباس

إذا وجدت الكود والبحث لدينا مفيدة ، فيرجى التفكير في:

 @article { planet2023 ,
  author =  { Maria Brbi{'c} and Michihiro Yasunaga and Prabhat Agarwal and Jure Leskovec } ,
  title =   { Predicting population response to drugs via clinical knowledge graph } ,
  year =    { 2023 } ,  
}