濡木研公開ラボセミナー
Adverse Drug Reaction Prediction with Hypergraph Neural Networks
馬見塚 拓 教授（京都大学, 化学研究所 附属バイオインフォマティクスセンター）
2024年01月17日(水) 15:00-16:30 理学部1号館東棟279号室（Sky Lecture Room）
English abstract after Japanese
長年、機械学習の研究と様々な現実問題への応用に携わってきた。今回、最近の応用の一つである、薬の副作用予測への機械学習応用について講演する。特に、この応用では、2種類の薬の服用に起因する副作用（drug-drug interactionsと呼ばれる）を予測する。すなわち、入力の１事例は、２種類の薬と１種類の副作用という3つである。そこで、我々は、この１事例を、薬と副作用に相当する3つのノードとそれらを結合するハイパーエッジで表現し、さらに、これまで蓄積されてきた数多くの事例全体をハイパーグラフで表現する。薬の副作用は非常に稀な事象であり、従って、このデータの特徴は、非常に疎（sparseness）なことである。我々は、非常に疎な分布を事前分布として持つ確率モデルを構築し、そのパラメータを、既存のグラフニューラルネットワーク（GNN）を拡張したハイパーグラフニューラルネットワークで学習する枠組みを、今回の応用に対して構築した。本講演では、関連分野とモチベーション、問題設定、構築した学習モデル（と学習方法）を説明した後、人工データ及び実データへの予測結果を説明する。この講演は、日本語で行う予定である。
I have been working on research of machine learning as well as solving a variety of biological problems through machine learning. In this talk, I would like to introduce one topic, predicting drug-drug interactions, on which our laboratory has been working intensively in the past around three years.
A drug-drug interaction (DDI), i.e. adverse drug reaction (ADR) caused by two drugs, is a serious problem in pharmaceutical and medical sciences. Currently computationally predicting DDIs, i.e. predicting a plausible DDI type of given arbitrary two drugs, is a paid-attention problem in not only bio- and chemo-informatics but also machine learning. Machine learning approaches train a model with the DDI data, and predict possible DDI types of given two drugs using the trained model. In particular, DDIs can be represented by a graph, with nodes for drugs and an edge connecting two drugs labeled by a binary vector showing DDI types. Using the DDI graph, cutting-edge machine learning approaches are graph convolutional neural networks (GNNs). However, labels (DDI types) on edges in the DDI graph are considered independently in GNNs, regardless that relationships among labels would be important for prediction, particularly for minor labels. We thus model DDIs by a hypergraph, where each hyperedge is a triple with two drugs and one DDI type. We then build learning methods of hypergraph neural networks, considering the above problem of the DDI graph as well as the extreme sparsity of DDI data (DDI is a highly rare event). In this talk, I will describe the motivation and idea behind our hypergraph neural networks and optimization methods. I will further report the performance advantage of our hyper graph neural networks over existing methods which were obtained empirically by using benchmark datasets.
担当：東京大学大学院理学系研究科・生物科学専攻・濡木 理
※学内限定
