Prises ensemble, les paramètres trainables du modèle Decagon sont les suivants: (i) matrices de poids de réseau neuronal spécifiques au type de relation WR, (II) matrices de paramètres spécifiques au type de relation Mr, (III) une matrice de paramètres d`effets secondaires globaux R et (IV) effets secondaires spécifiques matrices de paramètres diagonales le codeur et le décodeur Dr. Decagon forment ainsi un modèle trainable de bout en bout pour la prédiction de liaisons multirelationnelles dans un graphe multimodal (Fig. 3). Decagon développe une nouvelle approche de codeur automatique de graphe (Hamilton et coll., 2017a), qui nous permet de développer un modèle trainable de bout en bout pour la prédiction de lien sur un graphe multimodal. En revanche, des approches graphiques antérieures pour les tâches de prédiction de lien en biologie (par exemple, Chen et al. 2016b; Huang et coll. 2014b; Zong et al. 2017) emploient un pipeline en deux étapes, généralement constitué d`un modèle d`extraction d`entités graphiques et d`un modèle de prédiction de lien, qui sont tous deux formés séparément. En outre, la caractéristique distinctive cruciale de Decagon est la capacité de prédiction de lien multirelationnel qui nous permet de capturer l`interdépendance des différents types d`arêtes (effets secondaires), et d`identifier quels types de arêtes possibles existent entre deux médicaments dans le graphe. Ceci est en contraste aigu avec les approches pour la prédiction simple de lien (Trouillon et coll., 2016), qui prévoient seulement l`existence des arêtes entre les paires de noeuds, et est également critique pour modéliser un grand nombre de différents types d`effet de bord/côté. Ces constatations sont alignées sur les résultats que les prédictions peuvent souvent être améliorées de façon significative par l`apprentissage de bout en bout et en utilisant spécifiquement des encodeurs automatiques de graphes (Hamilton et al., 2017a, b; Kipf et Welling, 2016).

En particulier, la décomposition tensorielle et les approches de base de l`incorporation neuronale nous permettent de quantifier quel pourcentage de l`amélioration des performances est attribuable aux incorporations (c.-à-d. le codeur de Decagon) et quel pourcentage est dû à l`apprentissage multitâche (c.-à-d. Décodeur Decagon). Pour tester si le modèle attrayant dans la figure 4 est vrai sur de nombreux types d`effets secondaires, nous procédons comme suit. Nous calculons la distance moyenne euclidienne entre la représentation vectorielle de chaque effet secondaire et les représentations vectorielles de trois effets secondaires les plus fréquemment co-survenant. Nous constatons que les effets secondaires co-survenant/apparentés ont des représentations significativement plus semblables (c.-à-d. des facteurs diagonaux Dr) que prévu par hasard (P-value = 1e − 34, test KS de 2 échantillons). Nous concluons ainsi que Decagon est en mesure de répondre aux objectifs de conception de la modélisation de polypharmacie effet secondaire. En outre, l`analyse indique ici que le modèle de prédiction de lien multirelationnel de Decagon (section 4,2) peut capturer l`interdépendance des effets secondaires présents dans les données de combinaison de médicaments. Marinka Zitnik, Monica Agrawal, jure Leskovec; Modélisation des effets secondaires de polypharmacie avec des réseaux convolutionnels de graphe, Bioinformatics, volume 34, numéro 13, 1er juillet 2018, pages i457 – i466, https://doi.org/10.1093/bioinformatics/bty294 il y a plusieurs directions pour l`étude future. Notre approche intègre les réseaux moléculaires protéine – protéine et drogue – cible ainsi que les données sur les effets secondaires des patients de niveau de population.