CASTER: Predicting Drug Interactions with Chemical Substructure Representation
Harvard T. H. Chan School of Public Health, Harvard University（哈佛大学陈曾熙公共卫生学院）；IQVIA（艾昆纬）；MIT-IBM Watson AI Lab, IBM Research（IBM研究院麻省理工学院-IBM沃森人工智能实验室）；Georgia Institute of Technology（佐治亚理工学院）
药物不良相互作用（DDI）仍然是发病率和死亡率的主要原因。在药物设计过程中识别潜在的DDI对患者和社会至关重要。尽管已经提出了几种用于DDI预测的计算模型，但仍然存在局限性：（1）缺乏用于DDI预测的药物表示的专门设计;（2）预测基于有限的标记数据，并且不能很好地推广到看不见的药物或DDI;以及（3）模型的特征在于大量参数，因此难以解释。本文提出了一个基于化学结构的药物DDI预测框架CASTER，旨在通过（1）基于DDI机制的序列模式挖掘模块来有效地描述药物的功能子结构;（2）自动编码模块，其利用标记的和未标记的化学结构数据来提高预测准确性和可推广性;以及（3）字典学习模块，其通过测量每个输入子结构与DDI结果的相关性的一小组系数来解释预测。我们在两个真实世界的DDI数据集上评估了CASTER，结果表明它的表现优于最先进的基线，并提供了可解释的预测。
2019-11-20 cs.LG q-bio.QM stat.ML
Aggregate-Eliminate-Predict: Detecting Adverse Drug Events from Heterogeneous Electronic Health Records
我们研究了电子病历中药物不良事件的检测问题。这项工作的挑战是聚合涉及诊断代码、药物代码以及实验室测量的异构数据类型。针对同一问题提出的早期框架通过仅使用实验室测量作为数据特征来展示随机森林分类器的有希望的预测性能。我们扩展了这一框架，另外包括诊断和药物处方代码，同时。此外，我们在顶部采用递归特征选择机制，提取前k个最重要的特征。我们对药物不良事件的五个医学数据集和六个不同分类器的实验评估表明，这些额外特征的整合在AUC方面提供了实质性和统计学显著的改善，同时采用医学相关特征。
2019-07-13 cs.CY cs.LG stat.ML
The side effect profile of Clozapine in real world data of three large mental hospitals
目的：挖掘电子健康记录（EHR）中包含的数据可能会更好地了解现实世界中的药物作用，补充我们从随机对照试验（RCT）中了解到的信息。我们提出了一个文本挖掘的方法来检测不良事件和药物发作的临床文本，以提高我们对氯氮平，最有效的抗精神病药物治疗难治性精神分裂症的管理，但未充分利用，由于其副作用的关注有关的不良反应的理解。材料和方法：我们使用了来自英国三家精神健康信托基金的去识别EHR的数据（超过5000万份文件，超过50万名患者，其中2835名患者接受了氯氮平处方）。我们探讨了33个不良反应的患病率，年龄，性别，种族，吸烟状况和入院类型的患者开始氯氮平治疗前和治疗后3个月。在可能的情况下，我们将不良反应的发生率与副作用资源（SIDER）中报告的发生率进行了比较。结果如下：镇静、疲劳、激越、头晕、多涎、体重增加、心动过速、头痛、便秘和意识模糊是治疗开始后3个月内记录的最高氯氮平不良反应。在氯氮平治疗的第一个月发现所有不良反应的百分比较高。使用显著性水平（p< 0.05）的卡方检验显示，大多数ADR在吸烟状态和住院率之间存在显著相关性，一些ADR在性别和年龄组之间存在显著相关性。此外，数据来自三个信托公司，并应用卡方检验来估计每个月间隔内ADR的平均影响。结论：更好地了解药物在现实世界中的作用方式可以补充临床试验和精准医学。
2020-01-27 cs.IR stat.AP
Shiny-MAGEC: A Bayesian R Shiny Application for Meta-analysis of Censored Adverse Events
本文介绍 Shiny-MAGEC，一个基于贝叶斯单阶段模型的 R Shiny 应用，用于纳入左删失不良事件数据进行荟萃分析，以校正发生率估计偏倚并改进药物安全性评价。
2025-03-07 stat.AP stat.ME
Drug-disease Graph: Predicting Adverse Drug Reaction Signals via Graph Neural Network with Clinical Data
Seoul National University（首尔大学）；Seoul National University Hospital（首尔大学医院）
药品不良反应（ADR）是一个全球性的重大公共卫生问题。许多基于图的方法已被应用于生物医学图，用于预测上市前阶段的ADR。上市后监测中的ADR检测的重要性不亚于上市前评估，近年来大规模临床数据的ADR检测备受关注。然而，考虑来自临床数据的图形结构用于检测ADR信号的研究并不多，ADR信号是可能是潜在ADR的一对处方和诊断。在这项研究中，我们开发了一种新的基于图形的框架，使用医疗索赔数据的ADR信号检测。我们构建了一个药物-疾病图，其中节点代表医疗代码。边被给出为使用数据计算的两个代码之间的关系。我们应用图神经网络来预测ADR信号，使用来自副作用资源数据库的标签。与其他算法相比，该模型的AUROC和AUPRC性能分别提高了0.795和0.775，表明它成功地学习了表达这些关系的节点表示。此外，我们的模型预测ADR对不存在于已建立的ADR数据库，显示其能力，以补充ADR数据库。
2020-04-01 cs.LG stat.ML
Automated Detection of Adverse Drug Reactions in the Biomedical Literature Using Convolutional Neural Networks and Biomedical Word Embeddings
Novartis Pharma A.G.（诺华制药股份公司）
监测药物不良反应（ADR）病例的生物医学文献是药物警戒中一项至关重要且耗时的任务。计算机辅助方法的发展，以帮助这一过程中的不同形式一直是许多最近的作品的主题。已经显示出前景的一个特定领域是使用深度神经网络，特别是卷积神经网络（CNN），用于检测ADR相关句子。使用令牌级卷积和通用词嵌入，该架构相对于更传统的模型以及长短期记忆（LSTM）模型表现出良好的性能。在这项工作中，我们使用ADE语料库评估和比较两种不同的CNN架构。此外，我们表明，通过去重复的ADR相关的句子，我们可以大大减少过度乐观的分类结果。最后，我们评估了专门为生物医学文本开发的词嵌入的使用，并表明它们在这项任务中具有更好的性能。
2018-04-24 cs.CL cs.LG stat.ML
Drug-drug interaction prediction based on co-medication patterns and graph matching
Indiana University - Purdue University Indianapolis（印第安纳大学-普渡大学印第安纳波利斯分校）；University of Pennsylvania（宾夕法尼亚大学）；Ohio State University（俄亥俄州立大学）
工作背景：本文考虑了预测任意顺序的药物组合是否可能引起药物不良反应的问题。方法：在支持向量机内开发任意阶药物组合的新内核用于预测。在新的内核中使用图匹配方法来测量药物组合之间的相似性，其中利用药物联合用药模式来测量单个药物的相似性。结果如下：在真实世界数据集上的实验结果表明，新内核实现了预测问题的曲线下面积（AUC）值0.912。结论：新的方法与药物联合用药的基础上，单一药物的相似性，可以准确地预测药物组合是否可能引起的药物不良反应的利益。关键词：药物相互作用预测;药物组合相似性;联合用药;图匹配
2019-02-22 cs.LG stat.ML
Handling temporality of clinical events with application to Adverse Drug Event detection in Electronic Health Records: A scoping review
Karolinska Institute（卡罗林斯卡学院）
电子健康记录（EHR）的日益普及改变了患者护理的方式。机器学习模型可以利用存储在EHR中的丰富的异构和时态数据空间来捕获底层信息并进行临床相关预测。这可用于支持药物警戒等公共卫生活动，特别是缓解药物不良事件（ADE）的公共卫生问题。本文的目的是，因此，调查的各种方式处理时间数据的目的检测ADE。基于对现有文献的回顾，从过去10年中选择了11篇文章进行研究。根据检索到的文献，发现主要的方法分为5种不同的方法：基于时间抽象，基于图，学习权重和包含不同长度的时间序列的数据表。为此，EHR是一个有价值的来源，导致目前的研究自动检测ADE。然而，仍然存在着大量的挑战，涉及到利用异构，数据类型的时间信息包括在EHR预测ADE。
2019-04-09 cs.LG stat.ML
Demand-Driven Clustering in Relational Domains for Predicting Adverse Drug Events
KU Leuven（鲁汶大学）；CRACS INESC-TEC and FCUP Universidade do Porto（CRACS INESC-TEC与波尔图大学理学院）；Marshfield Clinic（马什菲尔德诊所）；University of Wisconsin - Madison（威斯康星大学麦迪逊分校）
从电子病历（EMR）中学习是具有挑战性的，因为它们的关系性质和患者过去和未来健康状态之间的不确定依赖性。统计关系学习是分析电子病历的天然选择，但不太擅长处理其固有的潜在结构，例如相关药物或疾病之间的联系。捕获潜在结构的一种方法是通过对象的关系聚类。我们提出了一种新的方法，而不是预先聚类的对象，在学习过程中进行需求驱动的聚类。我们在三个现实世界的任务中评估我们的算法，其目标是使用EMR来预测患者是否会对药物产生不良反应。我们发现，我们的方法是更准确的比不执行聚类，预聚类，并使用专家构建的医疗异质性。
2012-06-27 cs.AI cs.LG stat.ML
AttentionDDI: Siamese Attention-based Deep Learning method for drug-drug interaction predictions
University Hospital of Zurich（苏黎世大学医院）；University of Zurich（苏黎世大学）
工作背景：药物相互作用（DDI）是指由两种或多种药物给药引发的过程，导致药物本身给药时观察到的副作用。由于可能的药物组合数量巨大，几乎不可能通过实验测试所有组合并发现以前未观察到的副作用。因此，基于机器学习的方法被用于解决这个问题。研究方法：我们提出了一个连体自我注意多模态神经网络DDI预测，集成了多个药物相似性的措施，已来自比较的药物特性，包括药物靶点，途径和基因表达档案。结果如下：我们提出的DDI预测模型提供了多种优势：1）它是端到端训练的，克服了由多个单独步骤组成的模型的局限性，2）它通过用于识别显著输入特征的注意力机制提供模型可解释性，以及3）它实现类似或更好的预测性能（AUPR得分范围从0.77到0.92）与最先进的DDI模型相比，在各种基准数据集上进行测试。新的DDI预测进一步验证使用独立的数据资源。结论：我们发现，暹罗多模态神经网络是能够准确地预测DDI和注意力机制，通常用于自然语言处理领域，可以有益地应用于帮助DDI模型的可解释性。
2020-12-24 cs.LG q-bio.QM stat.ML
Hybrid Attentional Memory Network for Computational drug repositioning
Southeast University（东南大学）
药物重新定位是为了发现已知药物的新用途，是药物发现的一种重要而有效的方法。目前，研究者只使用一类协同过滤（CF）模型进行药物重新定位，如基于邻域的方法，该方法善于挖掘少数强药物-疾病关联中包含的局部信息;基于潜在因子的模型，该模型有效地捕获大多数药物-疾病关联共享的全局信息。很少有研究者将这两种CF模型结合起来，得到一个兼具两者优点的混合模型。此外，冷启动问题一直是计算药物重新定位领域的主要挑战，它限制了相关模型的推理能力。受记忆网络的启发，我们提出了混合注意记忆网络（HAMN）模型，它是一种以非线性方式结合两类CF模型的深层结构。首先，将记忆单元和注意力机制相结合，生成邻域贡献表示，以捕获少数强药物-疾病关联的局部结构。然后使用自动编码器的变体版本来提取药物和疾病的潜在因素，以捕获大多数药物-疾病关联所共享的总体信息。在这个过程中，药物和疾病的辅助信息可以帮助缓解冷启动问题。最后，在预测阶段，将邻域贡献表示与药物潜在因子和疾病潜在因子相结合以产生预测值。在两个真实数据集上的综合实验结果表明，本文提出的HAMN模型在AUC、AUPR和HR指标上优于其他比较模型。
2020-11-15 cs.LG stat.ML
Multi-View Self-Attention for Interpretable Drug-Target Interaction Prediction
University of Electronic Science and Technology of China（电子科技大学）；SipingSoft Co. Ltd.（四平软件有限公司）
药物发现阶段是药物开发过程的一个重要方面，是开发管道初始阶段的一部分。近年来，由于基于机器学习的方法在其他领域的成功应用，这些方法正被积极地用于对药物-靶标相互作用进行建模以用于合理的药物发现。在机器学习方法中，分子的数值表示对模型的性能至关重要。虽然在分子表征工程方面取得了重大进展，但这已经产生了几个用于靶标和化合物的描述符。此外，模型预测的可解释性是一个重要的特征，可以有几个药理学应用。在这项研究中，我们提出了一种基于自注意力的多视角表示学习方法来建模药物-靶标相互作用。我们使用三个基准激酶数据集评估了我们的方法，并将所提出的方法与一些基线模型进行了比较。我们的实验结果表明，我们的方法能够实现竞争力的预测性能，并提供生物学上合理的药物-靶标相互作用的解释。
2020-08-23 cs.LG stat.ML
Self-Attention Based Molecule Representation for Predicting Drug-Target Interaction
Emory University（埃默里大学）；Deargen Inc.（Deargen公司）；Dankook University（檀国大学）
预测药物-靶标相互作用（DTI）是药物发现过程的重要组成部分，这是一个时间和成本昂贵的过程。因此，降低DTI成本可以降低患者的医疗保健成本。此外，DTI模型中精确学习的分子表示可以有助于开发个性化药物，这将有助于许多患者队列。在本文中，我们提出了一个新的分子表示的自注意力机制的基础上，和一个新的DTI模型使用我们的分子表示。实验表明，我们的DTI模型优于最先进的高达4.9%点的精确率-召回曲线下的面积。此外，使用DrugBank数据库的一项研究证明，我们的模型有效地将所有已知的靶向特定癌症生物标志物的药物列入前30名候选药物列表。
2019-08-15 cs.LG stat.ML
ConvSCCS: convolutional self-controlled case series model for lagged adverse event detection
随着电子健康记录（EHR）的大型数据库的可用性增加，有机会加强健康风险筛查。药品不良反应（ADR）的上市后检测大多依赖于医生的自发报告，导致漏报。为了应对这一挑战，我们开发了一个可扩展的模型来估计多个纵向特征（药物暴露）对罕见纵向结果的影响。我们的程序是基于一个条件泊松模型，也被称为自我控制的情况下系列（SCCS）。我们使用曝光和阶跃函数之间的卷积来模拟结果的强度，这些函数使用组Lasso和总变差的组合进行惩罚。这种方法不需要指定精确的风险期，并允许在同一模型中同时研究几种风险。我们说明了这样一个事实，即这种方法提高了最先进的估计相对风险的模拟和糖尿病患者的队列，从大型法国国家健康保险数据库（SNIIRAM），一个SQL数据库建立在超过6500万人的医疗报销。这项工作是在理工学院和CNAMTS（负责SNIIRAM）之间的研究伙伴关系的背景下完成的。
2018-01-25 stat.AP stat.ME stat.ML
Drug-Drug Interaction Prediction with Wasserstein Adversarial Autoencoder-based Knowledge Graph Embeddings
Fuzhou University（福州大学）；Brown University（布朗大学）
药物之间的相互作用可能引发非预期不良事件。获取更丰富、更全面的药物相互作用（DDI）信息是公共卫生和药物开发的关键任务之一。最近，几种知识图谱嵌入方法在DDI领域受到越来越多的关注，因为它们能够将药物和相互作用投影到低维特征空间中以用于预测链接和分类三联体。然而，现有的方法只适用于一个均匀的随机模式来构建负样本。因此，这些样本通常过于简单，无法训练有效的模型。在本文中，我们提出了一个新的知识图谱嵌入框架，通过引入基于Wasserstein距离和Gumbel-Softmax松弛的对抗性自编码器（AAE），用于药物相互作用任务。在我们的框架中，自动编码器被用来生成高质量的阴性样本，自动编码器的隐藏向量被认为是一个合理的候选药物。之后，神经网络学习药物的嵌入和基于正负三联体的相互作用。同时，为了解决传统生成模型在离散表示上的梯度消失问题，利用Gumbel-Softmax松弛和Wasserstein距离对嵌入模型进行稳定的训练。我们经验评估我们的方法上的两个任务，链接预测和DDI分类。实验结果表明，我们的框架可以获得显着的改善，并明显优于竞争对手的基线。
2020-10-16 cs.CY cs.LG stat.ML
City-wide Analysis of Electronic Health Records Reveals Gender and Age Biases in the Administration of Known Drug-Drug Interactions
多个药物分配的药物-药物相互作用（DDI）的发生是一个严重的问题，无论是对个人还是对卫生保健系统，因为由于DDI并发症的患者可能会以更高的成本重新进入系统。我们提出了一个大规模的纵向研究（18个月）的DDI现象在初级和二级医疗水平使用电子健康记录（EHR）从巴西南部城市Blumenau（人口。$\approx 340,000$）。我们发现，181种已知相互作用的不同药物对同时分配给该市公共卫生保健系统中12%的患者。此外，4%的患者被分配了可能导致主要药物不良反应（ADR）的药物对-估计成本比以前在较小的研究中报告的要大得多。大规模分析显示，与男性相比，女性DDI风险增加60%;仅考虑已知导致重大ADR的DDI时，增加幅度为90%。此外，DDI风险随着年龄的增长而显著增加; 70-79岁的患者在同时使用两种或多种药物时发生DDI的风险为34%。有趣的是，一个统计空模型表明，年龄和女性特定的风险增加的多药治疗到目前为止未能解释观察到的DDI风险在这些人群中，这表明未知的社会或生物学原因。我们还提供了药物和人口统计学因素的网络可视化，这些因素表征了DDI现象，并表明准确的DDI预测可以包括在医疗保健和公共卫生管理中，以减少DDI相关的ADR和成本。
2020-01-02 cs.CY cs.IR cs.SI
Cross-Global Attention Graph Kernel Network Prediction of Drug Prescription
Georgetown University（乔治城大学）；Meng Cheng Family Medicine Clinic（孟诚家庭医学科诊所）；Tri-Service General Hospital（三军总医院）；Fu Jen Catholic University（辅仁大学）
我们提出了一个端到端的，可解释的，深度学习的架构来学习预测慢性病药物处方结果的图形内核。这是通过深度度量学习与支持向量机目标协作使用电子健康记录的图形表示来实现的。我们将预测模型制定为具有自适应学习图内核的二进制图分类问题，通过患者图之间的新的跨全局注意力节点匹配，同时计算多个图，而无需训练对或三元组生成。使用台湾国民健康保险研究数据库的结果表明，我们的方法优于目前的最先进的模型在准确性和可解释性。
2020-08-04 cs.LG stat.ML
Monitoring Potential Drug Interactions and Reactions via Network Analysis of Instagram User Timelines
最近的许多研究旨在从生物医学科学文献中识别药物相互作用（DDI）和药物不良反应（ADR）的证据。除了这个“参考书目”，社交媒体的世界提供了一个非常有前途的大规模数据来源，可以帮助以迄今为止不可能的方式识别DDI和ADR。鉴于大量的用户，社交媒体数据的分析可能有助于识别与DDI相关的报告不足的人群病理学，从而进一步促进人群健康的改善。此外，利用这些数据使我们能够推断药物与天然产品（包括大麻）的相互作用，这些天然产品构成了迄今为止生物医学研究很少探索的DDI阵列。我们的目标是确定Instagram在DDI、ADR和行为病理学的公共卫生监测和监督方面的潜力。使用药物、症状和天然产物词典识别各种类型的DDI和ADR证据，我们收集了约7000条时间线。我们报告了1）一种监测工具的开发，可以轻松观察与药物和症状相关的用户级时间线，2）通过分析从用户时间线计算的三种不同尺度的共现网络来分析人群级行为：每月，每周和每日发生。对这些网络的分析进一步揭示了3）药物和症状的直接和间接关联，在用户时间线上有更大的支持，以及4）观察人群的集体行为揭示的症状和药物的集群。这表明，Instagram包含了许多药物和病理学特定的数据，用于DDI和ADR的公共卫生监测，复杂的网络分析提供了一个重要的工具箱，可以从大规模社交媒体数据中提取与健康相关的关联及其支持。
2016-01-14 cs.CY cs.IR cs.SI
GAMENet: Graph Augmented MEmory Networks for Recommending Medication Combination
Peking University（北京大学）；IBM Research（IBM研究院）；Georgia Institute of Technology（佐治亚理工学院）
深度学习的最新进展正在彻底改变医疗保健领域，包括为药物推荐提供解决方案，特别是为具有复杂健康状况的患者推荐药物组合。现有的方法要么不根据患者的健康史进行定制，要么忽略了可能导致不良结果的药物相互作用（DDI）的现有知识。为了填补这一空白，我们提出了图增强记忆网络（GAMENet），它通过实现为图卷积网络的记忆模块集成药物-药物相互作用知识图谱，并将纵向患者记录建模为查询。它经过端到端的培训，提供安全和个性化的药物组合建议。我们证明了GAMENet的有效性和安全性，通过比较几个国家的最先进的方法对真实的EHR数据。GAMENet在所有有效性指标中均优于所有基线，并且与现有EHR数据相比，DDI率降低了3.60%。
2019-03-07 cs.AI cs.LG stat.ML
