博文

通过临床知识图谱预测人群用药结果

已有 435 次阅读 2024-4-10 14:01 |个人分类:科普|系统分类:科普集锦

通过临床知识图谱预测人群用药结果

各种不同的因素——在分子和细胞水平上的环境和生物因素——塑造了治疗反应。同样的治疗方法在不同的人群中可能会产生非常不同的效果和产生副作用的可能性。例如，对年轻男性参与者Caucasian进行药物测试的偏见导致错过了患者安全标记，提高了人们对人群特性在调查治疗疗效和安全性中的重要性的认识。一个首要的问题是，我们是否可以通过改变干预所适用的人群属性来设计更安全有效的治疗方法。

目前预测人群对治疗反应的方法通常侧重于单一疾病，并且是为感兴趣的特定任务而设计的。另一方面，预测治疗结果的一般方法捕获了大量潜在生物相互作用的空间，通常作为网络，不能解释患者之间的差异。因此，这些方法无法模拟人群或个人对特定治疗的反应，也无法发现仅对某些群体有效的干预措施。最后，现有方法无法推断导致某些副作用或干预措施有效性的因素。这些方法是典型的黑箱模型，不能提供有关干预措施、人口特性和结果之间因果关系的见解。

在这里，Jure团队提出了PlaNet（图1），这是一个几何深度学习框架，通过对人口变异性、疾病化学和药物生物学的推理来预测治疗结果。PlaNet建立在一个庞大的临床知识图谱之上，该图谱以生物医学知识为基础，以捕获潜在的化学和生物相互作用的(药物、病情、人群)三重奏的形式捕获治疗信息。PlaNet首先以无监督的方式学习知识图中所有治疗、生物和临床实体的通用表示。这是通过预训练模型来捕获网络的结构和术语的语义来实现的。PlaNet可以在许多下游药理任务上进行微调。

图1 PlaNet框架概述。PlaNet是一个庞大的临床知识图谱(KG)，它可以捕获治疗信息以及潜在的生物学和化学。(a) PlaNet框架的核心是临床KG，它以(药物、疾病、人口)三重奏的形式代表知识。然后将这些实体链接到外部知识库:疾病到医学主题标题(MeSH)词汇，治疗到药物银行数据库，人口属性到统一医学语言系统(UMLS)术语。(b)整合了11个生物和化学数据库，以获取疾病生物学和药物化学的知识，如药物结构相似性、药物靶点、疾病干扰蛋白、蛋白质相互作用和蛋白质功能关系的数据库。这些数据库与捕获人口关系的UMLS图集成在一起。(c) PlaNet框架临床试验数据实例化。对临床试验数据库进行分析和标准化，提取有关疾病、药物治疗、资格标准、术语和主要结果的信息。(d)通过将临床KG (c)与生物和化学网络(b)相结合获得最终KG

作者们展示了PlaNet框架对临床试验数据的效用。构建了整个临床试验数据库，并将其合并到PlaNet的框架中，得到了一个包含330,915个节点和13,928,443个异质边的知识图谱，其中总体变异性由临床试验的资格标准描述。使用PlaNet来预测临床试验的结果，包括作为生存终点的试验疗效、引起副作用的可能性和确切的副作用类别。PlaNet将知识表示为图形，同样适用于药物组合以及单一的治疗方法，甚至是实验性药物或从未在任何临床试验中出现在标签数据中的组合。此外，PlaNet捕获了人群变异性与治疗结果之间的因果关系，表明有发生不良事件风险的人群，其排除可以影响试验结果并降低副作用的可能性。

临床知识图谱在内的所有数据可以通过https://snap.stanford.edu/planet/data.zip下载，PlaNet框架代码可以通过https://github.com/snap-stanford/planet下载。

参考文献

[1] Maria Brbić, Michihiro Yasunaga, Prabhat Agarwal, Jure Leskovec. Predicting drug outcome of population via clinical knowledge graph. medRxiv 2024.03.06.24303800; doi: https://doi.org/10.1101/2024.03.06.24303800

以往推荐如下：

1. 分子生物标志物数据库MarkerDB

2. 细胞标志物数据库CellMarker 2.0

3. 细胞发育轨迹数据库CellTracer

4. 人类细胞互作数据库：CITEdb

5. EMT标记物数据库：EMTome

6. EMT基因数据库：dbEMT

7. EMT基因调控数据库：EMTRegulome

8. RNA与疾病关系数据库：RNADisease v4.0

9. RNA修饰关联的读出、擦除、写入蛋白靶标数据库：RM2Target

10. 非编码RNA与免疫关系数据库：RNA2Immune

11. 值得关注的宝藏数据库：CNCB-NGDC