APRILE: Exploring the Molecular Mechanisms of Drug Side Effects with Explainable Graph Neural Networks
Notice bibliographique
Résumé
Abstract The majority of people over the age of 65 take two or more medications. While many individual drug side effects are known, polypharmacy side effects due to novel drug combinations poses great risk. Here, we present APRILE: an explainable artificial intelligence (XAI) framework that uses graph neural networks to explore the molecular mechanisms underlying polypharmacy side effects. Given a list of side effects and the pairs of drugs causing them, APRILE identifies a set of proteins (drug targets or non-targets) and associated Gene Ontology (GO) terms as mechanistic ‘explanations’ of associated side effects. Using APRILE, we generate such explanations for 843,318 (learned) and 93,966 (novel) side effect–drug pair events, spanning 861 side effects (472 diseases, 485 symptoms and 9 mental disorders) and 20 disease cate-gories. We show that our two new metrics—pharmacogenomic information utilization and protein-protein interaction information utilization—provide quantitative estimates of mechanism complexity. Explanations were significantly consistent with state of the art disease-gene associations for 232/239 (97%) side effects. Further, APRILE generated new insights into molecular mechanisms of four diverse categories of adverse drug reactions: infection, metabolic diseases, gastrointestinal diseases, and mental disorders, including paradoxical side effects. We demonstrate the viability of discovering polypharmacy side effect mechanisms by training an XAI framework on massive biomedical data. Consequently, it facilitates wider and more reliable use of AI in healthcare.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».