جایگزینی دارو براساس پیش‌بینی یال روی گراف‌های ناهمگون با بهره‌گیری از جاسازی گراف ناهمگون

در حوزه زیست‌پزشکی، داده‌های انبوهی از جمله اطلاعات ژن‌، بیماری‌، داروها و اثرات جانبی آن‌ها و شبکه‌ی ارتباط پروتئینی، تولید و در منابع اطلاعاتی متنوعی ذخیره شده‌است. با استفاده از رویکردهای درحال توسعه داده‌کاوی و متن‌کاوی می‌توان اطلاعات ارزشمندی را از این داده‌های عظیم، استخراج نمود. یکی از کاربردهای دانش استخراج‌شده از داده‌های زیست‌پزشکی، کشف ارتباطات جدید بین داروها و بیماری‌ها و درنتیجه امکان جایگزینی داروها برای بیماری‌های سخت‌درمان یا بیماری‌های جدید است. در این پژوهش روشی پیشنهاد شده‌است تا با ایجاد یک شبکه‌ی ارتباطی ناهمگون از اطلاعات دارویی و داده‌های مرتبط با آن، به پیش‌بینی ارتباطات جدید بین داروها و بیماری‌ها پرداخته شود. ابتدا موجودیت‌ها و مفاهیم مرتبط با حوزه دارویی از منابع مختلف پزشکی استخراج و تبدیل به یک گراف ناهمگون می‌شوند. سپس با جاسازی گره‌های این گراف ناهمگون و تبدیل هر گره به یک بردار ویژگی، ورودی مناسب برای الگوریتم‌های یادگیری ماشین فراهم می‌شود. درنهایت با استفاده از روش پیش‌بینی پیوند ، داروهای مشابه در این گراف شناسایی و از آن‌ها در فرایند جایگزینی دارو استفاده می‌شود. نتایج ارزیابی‌ها نشان می‌دهد این روش عملکرد موثری در جاسازی گراف‌های ناهمگون و پیش‌بینی یال داشته‌است و به امتیاز 96.6% با معیار auc دست یافته است.