Knowledge Graphs and Explainable Predictive Models for Drug Repurposing

Bc. Klára Petrovičová

Master's thesis

Anotácia:

Znovuvyužití léků (drug repurposing), představuje objevování nových způsobů použití stávajících léčiv a může potenciálně snížit čas, míru selhání a náklady na schvalování nových léků. V posledních letech bylo vyvinuto několik postupů, které využívají algoritmy pro analýzu existujících znalostí o lécích a nemocech, aby urychlily vývoj léků a snížily náklady. Mezi těmito strategiemi si značnou pozornost získaly metody, které ukládají a zobrazují data ve formátu takzvaného „znalostního grafu“ a využívající techniky strojového učení založené na grafech. Nedostatečná transparentnost a interpretovatelnost modelů strojového učení však představuje v oblasti znovuvyužití léčiv značný problém. Tato práce se proto zaměřuje na vývoj metod pro vysvětlení předpovědí modelů strojového učení, využívající takzvané embedingy znalostních grafů. Prezentovaná vysvětlovací technika, zvaná vysvětlitelný graf, je přizpůsobená potřebám oblasti znovuvyužití léčiv se zvláštním důrazem na Touretteův syndrom, který slouží jako konkrétní příklad. Výzkumná část této práce byla realizována ve spolupráci se společností BioXcel Therapeutics, jejíž výzkumníci hodnotili srozumitelnost a přesnost vysvětlitelného grafu.

Abstract:

Drug repurposing, involving discovering new uses for existing therapeutics, can potentially decrease the time, failure rates, and approval expenses associated with new medications. Several computational approaches have been developed to leverage diverse types of already existing knowledge about drugs, their targets and diseases to reduce the cost and speed up drug development. Among these strategies, methods encapsulating existing data within a knowledge graph format and employing graph-based machine learning techniques have garnered significant attention and adoption. However, the lack of transparency and interpretability in machine learning models poses a significant challenge in drug repurposing. Therefore, this thesis focuses on developing methods for the explanation of drug repurposing predictions using knowledge graph embeddings, and an explanation technique called an explanation graph tailored to the needs of the drug repurposing domain, with a specific emphasis on Tourette syndrome as a real-world example. The research for this thesis was done in collaboration with the company BioXcel Therapeutics, and their domain experts evaluated the legibility and understandability of the explanation graph.

Keywords

artificial intelligence, bioinformatics, knowledge graphs, medical informatics, explainable graph, explainability, drug repurposing, explainable AI

Jazyk práce: English

Datum vytvoření / odevzdání či podání práce: 15. 12. 2023

Obhajoba závěrečné práce

• Obhajoba proběhla 13. 2. 2024
• Vedúci: doc. Mgr. Bc. Vít Nováček, PhD
• Oponent: doc. RNDr. Tomáš Brázdil, Ph.D.

Masaryk University

Faculty of Informatics

Master programme / odbor:
Artificial intelligence and data processing / Big data