Text-Enhanced Relational Learning for Drug Repurposing

Bc. Marek Toma

Diplomová práce

Anotace:

"Drug repurposing" je stratégia pre hľadanie nových terapeutických využití pre existujúce lieky. Výpočtové prístupy založené na strojovom učení môžu pomôcť so znížením ceny a zrýchlením vývoja liekov. V tejto práci sme vyvinuli model založený na relačnom učení pre predikciu asociácií medzi liekmi a chorobami. Ako prvé sme vytvorili model natrénovaný na biomedicínskom znalostnom grafe. Ako dalšie sme vyvinuli dve multi-modálne rozšírenia, ktoré inkorporujú textové dáta. Potom sme porovnali výkon našich modelov a analyzovali sme kvalitu ich predikcií, so sľubnými výsledkami pre niektoré choroby. Nakoniec sme diskutovali limitácie našich modelov a ich možné riešenia.

Abstract:

Drug repurposing is a strategy for the development of new treatment options with already existing drugs. Computational approaches based on machine learning can further reduce the cost and accelerate the drug development process. In this work, we develop relational learning models for the prediction of associations between drugs and diseases. First, we design a model trained on the biomedical knowledge graph. Then, we develop two multimodal extensions, that incorporate textual data into the model. Lastly, we compare the performance of our models and analyze the quality of their predictions, showing promising results for some diseases, and we discuss the limitations and their possible solutions.

Keywords

machine learning, relational learning, knowledge graphs, NLP, medical informatics, drug repurposing

Jazyk práce: angličtina

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

Obhajoba závěrečné práce

• Obhajoba proběhla 13. 2. 2024
• Vedoucí: doc. Mgr. Bc. Vít Nováček, PhD
• Oponent: Mgr. Petr Zelina

Masarykova univerzita

Fakulta informatiky

Magisterský studijní program / obor:
Umělá inteligence a zpracování dat / Strojové učení a umělá inteligence