详细内容或原文请订阅后点击阅览
通过知识图奖励药物再利用的可解释性
药物的重新利用通常始于一个假设：已知的化合物可能有助于治疗超出其原始适应症的疾病。米诺地尔就是一个很好的例子：最初用于治疗高血压，后来证明它有助于防止脱发。知识图是寻找此类假设的自然场所，因为它们编码生物医学实体（药物、基因、表型、疾病）[...]
来源:ΑΙhub药物的重新利用通常始于一个假设：已知的化合物可能有助于治疗超出其原始适应症的疾病。米诺地尔就是一个很好的例子：最初用于治疗高血压，后来证明它有助于防止脱发。知识图是寻找此类假设的自然场所，因为它们编码生物医学实体（药物、基因、表型、疾病）及其关系。在 KG 术语中，这种重新利用可以被定义为三重（米诺地尔、治疗、脱发）。然而，许多链接预测方法牺牲了可解释性来换取原始准确性，这使得科学家很难理解为什么建议的药物应该有效。我们认为，人工智能要成为可靠的科学工具，它必须提供有科学依据的解释，而不仅仅是分数。一个很好的解释是通过已建立的生物学原理将这些点联系起来（例如，上调 VEGF 可以增强毛囊的存活率）。
米诺地尔 米诺地尔，治疗，脱发从预测到解释
我们的工作引入了 REx，这是一种强化学习方法，不仅可以预测哪些药物与疾病对可能有希望，还可以解释其原因。 REx 不是纯粹为了准确性而优化，而是训练代理遍历生物医学知识图，同时因生成既忠实于预测又具有科学相关性的路径而获得奖励。
REx 为什么 忠实 科学相关当一条路径成功地将药物与正在研究的疾病联系起来时，它被认为是忠实的；当它涉及特定的、信息丰富的生物医学实体而不是通用生物医学实体时，它被认为是相关的。为了衡量这种相关性，我们开发了一种基于信息内容 (IC) 的新指标，该指标更倾向于更具体的生物学概念，例如“VEGF 信号通路”，而不是“癌症”等广泛的概念。
信息内容 (IC) “我们可以预测这个链接吗？” “我们可以科学地证明这种联系的合理性吗？”REx 的工作原理
交互 调节为了鼓励科学合理的推理，代理的奖励结合了两个信号：
药物 基因 疾病,