تکمیل نمودار دانش برای پیش‌بینی اثرات جانبی

مساله پیش‌بینی اثرات جانبی داریی در مواردی را در نظر می‌گیرد که در آن دو دارو به طور جداگانه به یک اثر جانبی خاص منجر نمی‌شوند. با این حال، هنگامی که این دو دارو به صورت ترکیبی در نظر گرفته می‌شوند، عوارض جانبی بروز می‌کند. در این کار، ما نشان می‌دهیم که تکمیل نمودار دانش چند ارتباطی به نتایج حاصل از هنر در مساله پیش‌بینی اثرات جانبی چند دارویی {تجویز بمیزانی بیش از اندازه متعارف}دست می‌یابد. نتایج تجربی نشان می‌دهند که رویکرد ما به ویژه زمانی موثر است که اهداف پروتیین مواد دارویی به خوبی مشخص شوند. برخلاف کار قبلی، رویکرد ما پیش‌بینی‌های قابل تفسیر تری را برای اعتبار آزمایشگاه فراهم می‌کند.

The polypharmacy side effect prediction problem considers cases in which two drugs taken individually do not result in a particular side effect; however, when the two drugs are taken in combination, the side effect manifests. In this work, we demonstrate that multi-relational knowledge graph completion achieves state-of-the-art results on the polypharmacy side effect prediction problem. Empirical results show that our approach is particularly effective when the protein targets of the drugs are well-characterized. In contrast to prior work, our approach provides more interpretable predictions and hypotheses for wet lab validation.