عایق: کشف روابط میان عوارض جانبی داروها با استفاده از یادگیری عمیق

مقدمه: تجزیه و تحلیل روابط بین عوارض جانبی مختلف موضوع مهمی در زمینه زیست شناسی محاسباتی است. ادبیاتعلمی منبع غنی برای بازیابی دانش در مورد روابط بین مفاهیم بیولوژیکی، مانند اطلاعات مربوط به عوارض جانبی است.یکی از روش های محبوبی که امروزه در این زمینه استفاده می شود روش های متن کاوی مبتنی بر یادگیری عمیق است.روش بررسی: در این مقاله، روشی به نام عایق (که مخفف عارضه یاب عمیق است) را پیشنهاد می کنیم که از یادگیریعمیق برای کشف روابط میان عوارض جانبی استفاده می کند. روش پیشنهادی مدل Word2Vec را بر روی چکیده مقالات PubMed آموزش میدهد و بردار عوارض جانبی را از این متون استخراج میکند. سپس با استفاده از بردارهای استخراج شده گراف عارضه جانبی-عارضه جانبی را می سازد.یافته ها: روش پیشنهادی توانست زیرگراف هایی از عوارض جانبی ایجاد کند که هر یک از این زیرگرافها به یک خانواده ازعوارض جانبی اشاره داشتند. همچنین گراف عارضه های جانبی ساخته شده از روی چکیده مقالات PubMed را با گراف عارضه جانبی داروها که از روی منبعداده دارو-عارضه جانبی Sider ساخته شده است ارزیابی کردیم و به دقت 48 درصد رسیدیم. نتیجه گیری: روش ارائه شده قدرت داده های متنی را در چکیده مقالات PubMed نشان میدهد. در این مقاله نشان داده شد که از چنین دادههایی میتوان برای کشف روابط پنهان بین عوارض جانبی و ایجاد گراف روابط بین عوارض جانبی استفاده کرد. با توجه به اینکه تاکنون بر روی گراف عارضه جانبی- عارضه جانبی پژوهشی انجام نشده است، این پژوهشمی تواند شروعی برای کار بر روی گراف عوارض جانبی باشد.

Keywords:

روابط عارضه جانبی- عارضه جانبی , یادگیری عمیق , تعبیه کلمات , متن کاوی