planet

Planet: Memprediksi respons populasi terhadap obat melalui grafik pengetahuan klinis

Pytorch Implementasi Planet, alat pembelajaran mendalam geometris untuk memprediksi respons populasi terhadap obat -obatan. Planet menyediakan grafik pengetahuan klinis baru yang menangkap hubungan antara biologi penyakit, kimia obat, dan karakteristik populasi. Dengan menggunakan grafik pengetahuan ini, planet dapat mengambil populasi dan obat -obatan untuk diterapkan (misalnya, uji klinis) sebagai input dan memprediksi kemanjuran dan keamanan obat untuk populasi. Untuk deskripsi terperinci tentang algoritma, silakan lihat naskah kami "memprediksi respons populasi terhadap obat melalui grafik pengetahuan klinis".

1. Instalasi

Lingkungan

Jalankan perintah berikut untuk membuat lingkungan Conda:

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

Setelah instalasi ini, versi Perpustakaan tokenizers harus 0,10,3. Jika Anda menemukan kesalahan tentang versi tokenizers , buka <conda_path>/envs/<env_name>/lib/python3.8/site-packages/transformers/dependency_versions_check.py dan ganti if pkg == "tokenizers": ... blokir dengan if pkg == "tokenizers": continue .

Total waktu pemasangan harus dalam 10 menit.

Persyaratan Perangkat Keras: 100GB RAM dan GPU memori 40GB

Data

Anda dapat mengunduh semua data (grafik pengetahuan, dataset uji klinis, model, dll.) Dari sini (data.zip) . Buka zip ini, yang akan membuat direktori ./data .

2. Demo

Kami menyediakan notebook demo untuk memuat grafik pengetahuan planet dan data uji klinis, dan menjalankan model planet:

 notebooks/demo.ipynb

Waktu lari yang diharapkan harus ~ 10 menit.

3. Pelatihan Model

Pergi ke direktori ./gcn_models . Kami melatih model untuk memprediksi kemanjuran, keamanan, dan potensi efek samping uji klinis.

Untuk melatih model prediksi kemanjuran , jalankan perintah masuk

 ../scripts/train_efficacy.sh

Untuk melatih model prediksi keselamatan , jalankan perintah masuk

 ../scripts/train_safety.sh

Untuk melatih model prediksi kejadian buruk , jalankan perintah masuk

 ../scripts/train_ae.sh

4. Jika Anda ingin menggunakan model planet untuk data uji klinis baru

Tinjauan: Menjalankan model kami untuk memprediksi uji klinis baru melibatkan dua langkah:

• (1) Parse uji coba ( parsing_package/parse_trial.py ) sehingga data uji coba diproses dan dikaitkan dengan grafik pengetahuan planet
• (2) Jalankan model untuk mendapatkan prediksi keamanan atau kemanjuran ( notebooks/predict_for_new_clinial_trial.ipynb )

Secara khusus, untuk melakukan ini, ikuti langkah -langkah di bawah ini:

• Unduh semua data dan sumber daya yang diperlukan untuk penguraian data uji coba dari sini (parsing_package.zip) . Buka ritsleting ini dan masukkan ke dalam direktori ./parsing_package . Instal dependensi dengan mengikuti ./parsing_package/README
• Pergi ke ./parsing_package Directory dan jalankan parse_trial.py untuk memproses uji klinis baru (misalnya, NCT02370680)
• Akhirnya, kunjungi ./notebooks Directory dan jalankan predict_for_new_clinial_trial.ipynb untuk mendapatkan prediksi AE, keamanan, dan kemanjuran untuk uji klinis baru.

Kutipan

Jika Anda menemukan kode dan penelitian kami bermanfaat, harap pertimbangkan mengutip:

 @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 } ,  
}