planet

星球：通過臨床知識圖預測人口對藥物的反應

Planet的Pytorch實施是一種預測人群對藥物反應的幾何深度學習工具。星球提供了一個新的臨床知識圖，該圖捕獲了疾病生物學，藥物化學和人群特徵之間的關係。使用此知識圖，行星可以將種群和藥物用於應用（例如臨床試驗）作為輸入，並預測藥物對人群的療效和安全性。有關算法的詳細說明，請參閱我們的手稿“通過臨床知識圖預測人口對藥物的反應”。

1。安裝

環境

運行以下命令創建一個conda環境：

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

安裝後， tokenizers庫版本應為0.10.3。如果您遇到有關tokenizers版本的錯誤，請訪問<conda_path>/envs/<env_name>/lib/python3.8/site-packages/transformers/dependency_versions_check.py並替換if pkg == "tokenizers": ... if pkg == "tokenizers": continue

總安裝時間應在10分鐘內。

硬件要求：40GB內存的100GB RAM和GPU

數據

您可以從此處（data.zip）下載所有數據（知識圖，臨床試驗數據集，模型等）。解壓縮這個，將創建一個./data目錄。

2。演示

我們提供了一個演示筆記本，用於加載行星知識圖和臨床試驗數據，並運行行星模型：

 notebooks/demo.ipynb

預期的運行時間應約為10分鐘。

3。模型培訓

轉到./gcn_models目錄。我們訓練模型以預測臨床試驗的功效，安全性和潛在的不良事件。

要訓​​練模型以進行療效預測，請在

 ../scripts/train_efficacy.sh

要訓​​練模型以進行安全預測，請在

 ../scripts/train_safety.sh

要訓​​練模型進行不利事件預測，請在

 ../scripts/train_ae.sh

4。如果您想將行星模型用於新的臨床試驗數據

概述：運行我們的模型以預測新的臨床試驗，涉及兩個步驟：

• （1）解析試驗（ parsing_package/parse_trial.py ），以便對試驗數據進行預處理並鏈接到行星知識圖
• （2）運行模型以獲得安全或效力預測（ notebooks/predict_for_new_clinial_trial.ipynb ）

具體來說，要執行此操作，請按照以下步驟操作：

• 從此處下載試驗數據解析所需的所有數據和資源（parsing_package.zip） 。解壓縮此問題，然後將其放入./parsing_package目錄中。通過以下./parsing_package/README安裝依賴項
• 轉到./parsing_package目錄並運行parse_trial.py處理新的臨床試驗（例如，NCT02370680）
• 最後，轉到./notebooks目錄，然後運行predict_for_new_clinial_trial.ipynb ，以獲取新臨床試驗的AE，安全性和效力預測。

引用

如果您發現我們的代碼和研究有用，請考慮引用：

 @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 } ,  
}