机构名称：
¥ 1.0
在我们的论文 [ 1 ] 中，我们建议挖掘生物医学知识图谱，以识别生物分子特征，这些特征能够自动重现此类专家分类，区分是否导致特定类型 ADR 的药物。从可解释的 AI 角度来看，我们探索简单的分类技术，例如决策树和分类规则，因为它们提供了人类可读的模型，可以解释分类本身。我们还评估了以下假设：从知识图谱中挖掘出的生物分子特征可能为 ADR 背后的分子机制提供解释元素。我们用两种专家分类测试了我们的方法，这两种分类可识别是否导致肝脏或皮肤毒性的药物（分别称为 DILI 和 SCAR，分别代表药物引起的肝损伤和严重皮肤不良反应）。与这些药物相关的特征是从 PGxLOD [ 2 ] 中挖掘出来的，PGxLOD 是我们之前通过链接公共开放数据（包括 DisGeNET、PharmGKB、DrugBank、CTD）创建的生物医学知识图谱。为此，我们开发了 kgpm 算法 [ 3 ]，该算法能够将特征路径的提取扩展到长度为 4 的水平。随后，这些路径被推广为路径模式，以覆盖更大的药物集。我们训练了两个分类器，根据提取的特征区分是否是药物导致了两种考虑的 ADR。我们分离出既能重现专家分类又能被专家解释的特征（例如，基因本体论术语、药物靶标、途径），并请 3 位药理学专家手动评估它们是否可能解释 ADR。
使用可解释的人工智能研究 ADR 机制
主要关键词
相关文件推荐
