planet

星球：通过临床知识图预测人口对药物的反应

Planet的Pytorch实施是一种预测人群对药物反应的几何深度学习工具。星球提供了一个新的临床知识图，该图捕获了疾病生物学，药物化学和人群特征之间的关系。使用此知识图，行星可以将种群和药物用于应用（例如临床试验）作为输入，并预测药物对人群的疗效和安全性。有关算法的详细说明，请参阅我们的手稿“通过临床知识图预测人口对药物的反应”。

1。安装

环境

运行以下命令创建一个conda环境：

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

安装后， tokenizers库版本应为0.10.3。如果您遇到有关tokenizers版本的错误，请访问<conda_path>/envs/<env_name>/lib/python3.8/site-packages/transformers/dependency_versions_check.py并替换if pkg == "tokenizers": ... if pkg == "tokenizers": continue

总安装时间应在10分钟内。

硬件要求：40GB内存的100GB RAM和GPU

数据

您可以从此处（data.zip）下载所有数据（知识图，临床试验数据集，模型等）。解压缩这个，将创建一个./data目录。

2。演示

我们提供了一个演示笔记本，用于加载行星知识图和临床试验数据，并运行行星模型：

 notebooks/demo.ipynb

预期的运行时间应约为10分钟。

3。模型培训

转到./gcn_models目录。我们训练模型以预测临床试验的功效，安全性和潜在的不良事件。

要训​​练模型以进行疗效预测，请在

 ../scripts/train_efficacy.sh

要训​​练模型以进行安全预测，请在

 ../scripts/train_safety.sh

要训​​练模型进行不利事件预测，请在

 ../scripts/train_ae.sh

4。如果您想将行星模型用于新的临床试验数据

概述：运行我们的模型以预测新的临床试验，涉及两个步骤：

• （1）解析试验（ parsing_package/parse_trial.py ），以便对试验数据进行预处理并链接到行星知识图
• （2）运行模型以获得安全或效力预测（ notebooks/predict_for_new_clinial_trial.ipynb ）

具体来说，要执行此操作，请按照以下步骤操作：

• 从此处下载试验数据解析所需的所有数据和资源（parsing_package.zip） 。解压缩此问题，然后将其放入./parsing_package目录中。通过以下./parsing_package/README安装依赖项
• 转到./parsing_package目录并运行parse_trial.py处理新的临床试验（例如，NCT02370680）
• 最后，转到./notebooks目录，然后运行predict_for_new_clinial_trial.ipynb ，以获取新临床试验的AE，安全性和效力预测。

引用

如果您发现我们的代码和研究有用，请考虑引用：

 @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 } ,  
}