planet

ดาวเคราะห์: การทำนายการตอบสนองของประชากรต่อยาเสพติดผ่านกราฟความรู้ทางคลินิก

การใช้ Pytorch ของ Planet ซึ่งเป็นเครื่องมือการเรียนรู้เชิงลึกทางเรขาคณิตสำหรับการทำนายการตอบสนองของประชากรต่อยาเสพติด ดาวเคราะห์ให้กราฟความรู้ทางคลินิกใหม่ที่รวบรวมความสัมพันธ์ระหว่างชีววิทยาโรคเคมียาและลักษณะประชากร การใช้กราฟความรู้นี้ดาวเคราะห์สามารถใช้ประชากรและยาเสพติด (เช่นการทดลองทางคลินิก) เป็นข้อมูลและทำนายประสิทธิภาพและความปลอดภัยของยาเสพติดสำหรับประชากร สำหรับคำอธิบายโดยละเอียดของอัลกอริทึมโปรดดูต้นฉบับของเรา "ทำนายการตอบสนองของประชากรต่อยาผ่านกราฟความรู้ทางคลินิก"

1. การติดตั้ง

สิ่งแวดล้อม

เรียกใช้คำสั่งต่อไปนี้เพื่อสร้างสภาพแวดล้อม 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

หลังจากการติดตั้งนี้รุ่น tokenizers Library ควรเป็น 0.10.3 ในกรณีที่คุณพบข้อผิดพลาดเกี่ยวกับรุ่น tokenizers ให้ไปที่ <conda_path>/envs/<env_name>/lib/python3.8/site-packages/transformers/dependency_versions_check.py และแทนที่ if pkg == "tokenizers": ... บล็อกด้วย if pkg == "tokenizers": continue

เวลาติดตั้งทั้งหมดควรอยู่ภายใน 10 นาที

ข้อกำหนดฮาร์ดแวร์: RAM 100GB และ GPU ของหน่วยความจำ 40GB

ข้อมูล

คุณสามารถดาวน์โหลดข้อมูลทั้งหมด (กราฟความรู้, ชุดข้อมูลทดลองทางคลินิก, โมเดล ฯลฯ ) จาก ที่นี่ (data.zip) เปิดเครื่องซิปนี้ซึ่งจะสร้างไดเรกทอรี ./data

2. การสาธิต

เราจัดทำสมุดบันทึกตัวอย่างสำหรับการโหลดกราฟความรู้ของดาวเคราะห์และข้อมูลการทดลองทางคลินิกและเรียกใช้โมเดลดาวเคราะห์:

 notebooks/demo.ipynb

เวลาทำงานที่คาดหวังควรเป็น ~ 10 นาที

3. การฝึกอบรมแบบจำลอง

ไปที่ไดเรกทอรี . ./gcn_models เราฝึกอบรมแบบจำลองเพื่อทำนายประสิทธิภาพความปลอดภัยและเหตุการณ์ไม่พึงประสงค์ที่อาจเกิดขึ้นจากการทดลองทางคลินิก

ในการฝึกอบรมแบบจำลองสำหรับ การทำนายประสิทธิภาพ ให้เรียกใช้คำสั่งใน

 ../scripts/train_efficacy.sh

ในการฝึกอบรมแบบจำลองสำหรับ การทำนายความปลอดภัย ให้เรียกใช้คำสั่งใน

 ../scripts/train_safety.sh

ในการฝึกอบรมแบบจำลองสำหรับ การทำนายเหตุการณ์ไม่พึงประสงค์ ให้เรียกใช้คำสั่งใน

 ../scripts/train_ae.sh

4. หากคุณต้องการใช้แบบจำลองดาวเคราะห์สำหรับข้อมูลการทดลองทางคลินิกใหม่

ภาพรวม: การใช้แบบจำลองของเราเพื่อทำนายการทดลองทางคลินิกใหม่เกี่ยวข้องกับสองขั้นตอน:

• (1) แยกวิเคราะห์การทดลอง ( parsing_package/parse_trial.py ) เพื่อให้ข้อมูลการทดลองถูกประมวลผลล่วงหน้าและเชื่อมโยงกับกราฟความรู้ของดาวเคราะห์
• (2) เรียกใช้แบบจำลองเพื่อรับการคาดการณ์ความปลอดภัยหรือประสิทธิภาพ ( notebooks/predict_for_new_clinial_trial.ipynb )

โดยเฉพาะในการทำเช่นนี้ให้ทำตามขั้นตอนด้านล่าง:

• ดาวน์โหลดข้อมูลและทรัพยากรทั้งหมดที่จำเป็นสำหรับการแยกวิเคราะห์ข้อมูลจาก ที่นี่ (parsing_package.zip) คลายซิปนี้และใส่ไว้ในไดเรกทอรี ./parsing_package ติดตั้งการพึ่งพาโดยติดตาม ./parsing_package/README readme
• ไปที่ ./parsing_package Directory และเรียกใช้ parse_trial.py เพื่อประมวลผลการทดลองทางคลินิกใหม่ (เช่น NCT02370680)
• ในที่สุดไปที่ไดเรกทอรี ./notebooks และเรียกใช้ predict_for_new_clinial_trial.ipynb เพื่อรับ AE ความปลอดภัยและการทำนายประสิทธิภาพสำหรับการทดลองทางคลินิกใหม่

การอ้างอิง

หากคุณพบว่ารหัสและการวิจัยของเรามีประโยชน์โปรดพิจารณาอ้าง:

 @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 } ,  
}