planetのダウンロード - planetソースコードのダウンロード

planet

その他のソースコード

ダウンロード

惑星：臨床知識グラフを介して薬物に対する人口応答の予測

薬物に対する人口応答を予測するための幾何学的な深い学習ツールである惑星のPytorch実装。惑星は、疾患生物学、薬物化学、および人口特性の関係を捉える新しい臨床知識グラフを提供します。この知識グラフを使用して、惑星は人口と薬物を摂取することができます（例えば、臨床試験）。アルゴリズムの詳細な説明については、原稿「臨床知識グラフによる薬物に対する人口応答の予測」を参照してください。

1。インストール

環境

次のコマンドを実行して、コンドラ環境を作成します。

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

このインストールの後、 tokenizersライブラリバージョンは0.10.3にする必要があります。 tokenizersバージョンに関するエラーが発生した場合は、 <conda_path>/envs/<env_name>/lib/python3.8/site-packages/transformers/dependency_versions_check.pyに移動し、 if pkg == "tokenizers": ... if pkg == "tokenizers": continue 。

総インストール時間は10分以内にする必要があります。

ハードウェア要件：40GBメモリの100GB RAMとGPU

データ

ここからすべてのデータ（知識グラフ、臨床試験データセット、モデルなど）をダウンロードできます（data.zip） 。これを解凍します。これにより、 ./dataディレクトリが作成されます。

2。デモ

惑星の知識グラフと臨床試験データをロードし、惑星モデルを実行するためのデモノートブックを提供します。

 notebooks/demo.ipynb

予想される実行時間は〜10分でなければなりません。

3。モデルトレーニング

./gcn_modelsディレクトリに移動します。臨床試験の有効性、安全性、潜在的な有害事象を予測するようにモデルを訓練します。

有効性の予測のためのモデルをトレーニングするには、コマンドを実行します

 ../scripts/train_efficacy.sh

安全予測のためのモデルをトレーニングするには、コマンドを実行します

 ../scripts/train_safety.sh

有害事象予測のモデルをトレーニングするには、コマンドを実行します

 ../scripts/train_ae.sh

4.新しい臨床試験データに惑星モデルを使用したい場合

概要：モデルを実行して新しい臨床試験を予測するには、2つのステップが含まれます。

（1）試行データが事前に処理され、惑星の知識グラフにリンクされるように、試行（ parsing_package/parse_trial.py ）を解析する
（2）モデルを実行して安全性または有効性の予測を取得します（ notebooks/predict_for_new_clinial_trial.ipynb ）

具体的には、これを行うには、以下の手順に従ってください。

ここから試用された試行データに必要なすべてのデータとリソースをダウンロードします（parsing_package.zip） 。これを解凍して、 ./parsing_packageディレクトリに入れます。 ./parsing_package/READMEをフォローして依存関係をインストールします
./parsing_packageディレクトリに移動し、 parse_trial.py実行して新しい臨床試験を処理します（例：NCT02370680）
最後に、 ./notebooksディレクトリに移動して、 predict_for_new_clinial_trial.ipynbを実行して、新しい臨床試験のAE、安全性、および有効性の予測を取得します。

引用

私たちのコードと研究が役立つと思う場合は、引用を検討してください。

 @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 } ,  
}