О.В. Непомнящий1, М.М.И. Аль-Сагир2, А.Г. Хантимиров3, С.А. Котов4

1–4 ФГАОУ ВО «Сибирский федеральный университет» (г. Красноярск, Россия)

1 2955005@gmail.com, 2 mahamedali51@yahoo.com, 4 thiskotov@yandex.ru

Постановка проблемы. В последнее время особую актуальность приобрела проблема выявления побочных эффектов при применении сложных сочетаний лекарств – полипрагмазии. С увеличением количества лекарств, доступных на рынке, становится все сложнее выявлять потенциальные лекарственные взаимодействия и побочные эффекты, возникающие при одновременном приеме пациентом нескольких препаратов. Это обусловлено значительным объемом биомедицинской информации, что, в свою очередь, является предпосылкой для разработки новых методов, алгоритмов и инструментов интеллектуального анализа фармацевтических данных.

Цель. Создать новый метод и нейросетевую модель для упрощенной организации вычислений при одновременном обеспечении обработки больших объемов данных, позволяющем, как следствие, гарантировать повышенную точность предсказаний.

Результаты. Разработан новый метод тензорного разложения, позволяющий упростить сложность вычислений за счет использования приоритетной выборки данных без потери критической информации, а также повысить точность прогнозов, за счет предложенного способа формирования входных векторов и организации нейросети. Показано, что значительные результаты можно получить при использовании технологий и алгоритмов машинного обучения. Рассмотрены известные подходы к машинному прогнозированию в фармацевтике. Среди известных выделены методы тензорного разложения, которые, несмотря на максимальную эффективность в сравнении с прочими, обладают значительной сложностью при организации вычислений.

Практическая значимость. На основе общепринятых критериев оценки показано повышение производительности, снижение времени вычислений и повышение точности предсказаний для предложенного метода.

Непомнящий О.В., Аль-Сагир М.М.И., Хантимиров А.Г., Котов С.А. Метод тензорного разложения и нейросетевая модель для выявления побочных эффектов полипрагмазии // Успехи современной радиоэлектроники. 2024. T. 78. № 4. С. 43–51. DOI: https://doi.org/10.18127/j20700784-202404-05

1. Schölkopf B., Luo Zh., Vovk V. (editors). Empirical Inference: Festschrift in Honor of Vladimir N. Vapnik. Spriger, 2013. 306 p.
2. Вьюгин В. Математические основы теории машинного обучения и прогнозирования. МЦМНО, 2013. 390 с.
3. Koren Y. Factorization Meets the Neighborhood: A Multifaceted Collaborative Filtering Model. ACM Press. 2008. Proc. 14 ACM SIGKDD Int’l Conf. Knowledge Discovery and Data Mining. P. 426–434.
4. Rendle S. Factorization machines with libfm. ACM Trans. Intell. Syst. Technol. May 2012. V. 3(3). P. 57:1–57:22.
5. Chollet F. Chapter 9, Section 2. Deep Learning with Python. Manning, 2017. 350 p.
6. Burkov A. The Hundred-Page Machine Learning Book. Amazon Press. 2019. 160 p.
7. Xie Zh., Chen C., Ma'ayan A. Dex-Benchmark: datasets and code to evaluate algorithms for transcriptomics data analysis. National Library of Medicine. 2023. Nov. V. 8. P. 11:e16351. doi: 10.7717/peerj.16351. eCollection 2023.
8. Amadori, L., Calcagno, C., Fernandez, D.M. et al. Systems immunology-based drug repurposing framework to target inflammation in atherosclerosis. Nat Cardiovasc Res 2. 2023. P. 550–571. https://doi.org/10.1038/s44161-023-00278-y.
9. Collins J., Sohl-Dickstein J., Sussillo D., Capacity and trainability in recurrent neural networks”. arXiv preprint arXiv:1611.09913, 2016.
10. Полетаева Н.Г. Классификация систем машинного обучения // Вестник балтийского федерального университета. 2020. № 1. С. 5–22.
11. Zitnik M., Agrawal M., Leskovec Ju. Modeling polypharmacy side effects with graph convolutional networks. Bioinformatics. 2018. V. 34(13). P. 1457–1466.
12. Nickel M., Tresp V., Kriegel H. P. A three-way model for collective learning on multi-relational data. Proceedings of the 28th International Conference on Machine Learning. ICML. 2011. V. 1. P. 809–816.
13. Papalexakis, Evangelos E., Faloutsos, Christos, Sidiropoulos, Nicholas D. Tensors for data mining and data fusion: Models, applications, and scalable algorithms. ACM Transactions on Intelligent Systems and Technology. 2016. V. 8(2). P. 1–44.
14. Glorot X., Bengio Yo. Understanding the difficulty of training deep feedfor-ward neural networks. Journal of Machine Learning Research. 2010. V. 9(1). P. 249–256.
15. Bottou, L. Stochastic gradient descent tricks. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 7700 LECTURE NO(1). 2012. P. 421–436.
16. Baldi P., Brunak S., Chauvin Y., Andersen C.A.F., Nielsen, H. Assessing the accuracy of prediction algorithms for classification: an overview. Bioinformatics. 2000. V. 16(5). P. 412–424.
17. Vilar S., Friedman C., Hripesak G. Detection of drug-drug inter- actions through data mining studies using clinical sources, scientific literature and social media. Briefings in bioinformatics. 2018. V. 19(5). P. 863-877.
18. Stein G. A., Oron G.Y., Eytan Yo. R, Roded Sh. INDI: A computational framework for inferring drug interactions and their associated recommendations. Molecular Systems Biology. 2012. V. 8(592). P. 1–12.
19. Serban B., Panti Z., Nica M., Pleniceanu M., Popa M., Ene R., Cîrstoiu, C. Statistically based survival rate estimation in patients with soft tissue tumors. Romanian Journal of Orthopaedic Surgery and Traumatology. 2019. V. 1(2). P. 84–89.
20. Szklarczyk D. at al. STRING v10: protein–protein interaction networks, integrated over the tree of life (англ.). Nucleic acids research (англ.) рус.: journal. 2015. V. 43. P. 447—D452. DOI:10.1093/nar/gku1003 nSIDES Drug side effect and interaction resources URL: https://nsides.io/#offsides-and-twosides (дата обращения 14.03.2024).
21. Stitch URL: http://stitch.embl.de/ (дата обращения 14.03.2024).