FDMine: a graph mining approach to predict and evaluate food-drug interactions
Notice bibliographique
Résumé
Abstract Food-drug interactions (FDIs) arise when nutritional dietary consumption regulates biochemical mechanisms involved in drug metabolism. These interactions can create unexpected adverse pharmacological effects. By contrast, particular foods can aid in the recovery process of a patient. Towards characterizing the nature of food’s influence on pharmacological treatment, it is essential to detect all possible FDIs. In this study, we propose FDMine, a novel systematic framework that models the FDI problem as a homogenous graph. In this graph, all nodes representing drug, food and food composition are referenced as chemical structures. This homogenous representation enables us to take advantage of reported drug-drug interactions for accuracy evaluation, especially when accessible ground truth for FDIs is lacking. Our dataset consists of 788 unique approved small molecule drugs with metabolism-related drug-drug interactions (DDIs) and 320 unique food items, composed of 563 unique compounds with 179 health effects. The potential number of interactions is 87,192 and 92,143 when two different versions of the graph referred to as disjoint and joint graphs are considered, respectively. We defined several similarity subnetworks comprising food-drug similarity (FDS), drug-drug similarity (DDS), and food-food similarity (FFS) networks, based on similarity profiles. A unique part of the graph is the encoding of the food composition as a set of nodes and calculating a content contribution score to re-weight the similarity links. To predict new FDI links, we applied the path category-based (path length 2 and 3) and neighborhood-based similarity-based link prediction algorithms. We calculated the precision@top (top 1%, 2%, and 5%) of the newly predicted links, the area under the receiver operating characteristic curve, and precision-recall curve. We have performed three types of evaluations to benchmark results using different types of interactions. The shortest path-based method has achieved a precision 84%, 60% and 40% for the top 1%, 2% and 5% of FDIs identified, respectively. We validated the top FDIs predicted using FDMine to demonstrate its applicability and we relate therapeutic anti-inflammatory effects of food items informed by FDIs. We hypothesize that the proposed framework can be used to gain new insights on FDIs. FDMine is publicly available to support clinicians and researchers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,006 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».