planet

행성 : 임상 지식 그래프를 통한 약물에 대한 인구 반응 예측

Pytorch Planet의 구현, 약물에 대한 집단 반응을 예측하기위한 기하학적 딥 러닝 도구. Planet은 질병 생물학, 약물 화학 및 인구 특성 사이의 관계를 포착하는 새로운 임상 지식 그래프를 제공합니다. 이 지식 그래프를 사용하여 Planet은 입력으로 인구와 약물을 적용하고 (예 : 임상 시험) 인구에 대한 약물의 효능과 안전성을 예측할 수 있습니다. 알고리즘에 대한 자세한 설명은 "임상 지식 그래프를 통해 약물에 대한 인구 반응 예측"원고를 참조하십시오.

1. 설치

환경

콘다 환경을 만들려면 다음 명령을 실행하십시오.

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

이 설치 후 tokenizers 라이브러리 버전은 0.10.3이어야합니다. tokenizers 버전에 대한 오류가 발생하는 경우 <conda_path>/envs/<env_name>/lib/python3.8/site-packages/transformers/dependency_versions_check.py 로 이동하여 if pkg == "tokenizers": ... if pkg == "tokenizers": continue .

총 설치 시간은 10 분 이내에 있어야합니다.

하드웨어 요구 사항 : 100GB RAM 및 40GB 메모리의 GPU

데이터

여기에서 모든 데이터 (지식 그래프, 임상 시험 데이터 세트, 모델 등)를 다운로드 할 수 있습니다 (data.zip) . 이것을 압축하면 ./data 디렉토리를 만듭니다.

2. 데모

우리는 Planet Knowledge Graph 및 임상 시험 데이터를로드하고 행성 모델을 실행하기위한 데모 노트북을 제공합니다.

 notebooks/demo.ipynb

예상되는 실행 시간은 ~ 10 분이어야합니다.

3. 모델 교육

./gcn_models 디렉토리로 이동하십시오. 우리는 임상 시험의 효능, 안전성 및 잠재적 부작용을 예측하도록 모델을 훈련시킵니다.

효능 예측 모델을 훈련 시키려면 명령을 실행하십시오.

 ../scripts/train_efficacy.sh

안전 예측 모델을 훈련 시키려면 명령을 실행하십시오.

 ../scripts/train_safety.sh

불리한 이벤트 예측 모델을 훈련 시키려면 명령을 실행하십시오.

 ../scripts/train_ae.sh

4. 새로운 임상 시험 데이터에 Planet 모델을 사용하려면

개요 : 새로운 임상 시험을 예측하기 위해 모델을 실행하면 두 단계가 필요합니다.

• (1) 시험 데이터가 사전 처리되고 행성 지식 그래프에 연결되도록 시험 ( parsing_package/parse_trial.py )을 구문 분석
• (2) 안전 또는 효능 예측을 얻기 위해 모델을 실행하십시오 ( notebooks/predict_for_new_clinial_trial.ipynb ).

구체적으로, 이렇게하려면 아래 단계를 따르십시오.

• 시험 데이터 파싱에 필요한 모든 데이터와 리소스를 여기에서 다운로드하십시오 (parsing_package.zip) . 이것을 압축하고 ./parsing_package 디렉토리에 넣으십시오. ./parsing_package/README 에 따라 종속성을 설치하십시오
• ./parsing_package 디렉토리로 이동하여 parse_trial.py 실행하여 새로운 임상 시험을 처리합니다 (예 : NCT02370680)
• 마지막으로 ./notebooks 디렉토리로 이동하여 predict_for_new_clinial_trial.ipynb 실행하여 새로운 임상 시험에 대한 AE, 안전성 및 효능 예측을 얻으십시오.

소환

우리의 코드와 연구가 유용하다고 생각되면 다음을 고려하십시오.

 @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 } ,  
}