查看原文
其他

阿斯利康|知识图谱在生物医学中的应用

智药邦 2022-06-15

The following article is from GenomicAI Author GenomicAI

阿斯利康团队近日在bioRxiv上发表了知识图谱在生物医药领域应用的文章:"Biological Insights Knowledge Graph: an integrated knowledge graph to support drug development"。

同时一作也在YouTube上分享了整个知识图谱开发的思路与过程。

文章中称:在阿斯利康内部,知识图谱已在慢性阻塞性肺部疾病、哮喘、肺癌适应症的靶点推荐中获得显著的成功 

同时知识图谱在CRISPER screen hits推荐也得到成功的应用,如发现了EGFR突变的非小细胞肺癌耐药机制。具体内容已发表在BioRxiv:"Knowledge graph-based Recommendation Framework identifies Novel Drivers of Resistance in EGFR mutant Non-small Cell Lung Cancer"。

AZ做知识图谱有三个目的:(1)提高KG的内部专业知识和能力;(2)提供一个可重用的框架能够快速部署于特定问题的KG;(3)建立对所有治疗领域和适应症的大规模支持的潜力。

一、早期阿斯利康肿瘤计算方法
组合生物信息学
提供关键数据与见解来发现新靶点,新候选药物、新生物标志物研究包括
Identified MMEJ reversion mutations in BRCA as driving PARPI therapy resistance.2020; 
Identified AKT1/PIK3CA/PTEN subpo'n of responders to Capivasertib.
数据科学
开发新的生物信息学、AI方法学来加速组合生物信息研究研究包括
AZ-Sanger drug combination DREAM challenge evaluates 160 AI/ML methods.2019;
DeepPaN:deep patient graph convolutional network integrating clinico-genomics.2021。
系统生物学
加速理解复杂的系统生物学去筛选病人群体。研究包括
Adenosine is a mediator of a successful antitumor immune response. 2020
二、因果关系数据在药物发现中有很多应用
因果推断
基于生物网络的方法是确定导致观察实验改变的上游原因。这种因果推断的方法可以帮助找到药物MoA。
找到生物标志物
因果关系可以帮助找到感兴趣靶点相关的生物标志物。
三、是什么让知识图谱在药物研发中很有用
知识图谱在药物研发中的作用:(1)图可以从相似特征中推断缺失数据,克服了生物系统知识的稀疏性;(2)图表可以捕捉多种生物学机制,允许探索冗余和非线性生物学,例如表观基因组学;(3)图可以同时处理各种测量/数据类型,遗传学+临床以解决复杂的多模式表型;(4)图表示生物环境中的数据,并提供因果关系,从而提供透明、可解释的假设。
四、知识图谱的构建
基于Hetionet和opent argets数据源,整合私有数据和文献信息抽取数据构建知识图谱。
实体识别采用来自Scibite的软件Termite Tagger,实体消歧组合了各个公开软件的结果。
关系抽取用开源软件LINK,关系分类采用BioBERT和RBERT,关系的信息抽取采用OIE6软件。

参考资料

https://www.biorxiv.org/content/10.1101/2021.10.28.466262v1

----------- End -----------



感兴趣的读者,可以添加小邦微信(zhiyaobang2020)加入读者实名讨论微信群。添加时请主动注明姓名-企业-职位/岗位 或

姓名-学校-职务/研究方向




- 历史文章推荐 -


药物设计

CAS博客|首批进入临床试验的AI设计的候选药物:结构新颖性评估

JMC|用于从头药物设计的生成模型

●Drug Discov Today|人工智能增强的药物设计和开发:迈向计算型精准医学

●Drug Discov Today|用于从头药物设计的图神经网络GNN

●Nat Commun|AI结合基因表达特征,从头生成类苗头化合物

●BioRxiv|基于表型和化学结构预测化合物活性

●Drug Discov Today综述|分子从头设计和生成模型

●Nat Comput Sci综述|生物分子建模在技术时代蓬勃发展

靶点发现

●Nature Outlook|借助算法和模拟将蛋白质折叠的瞬时结构转变为药物靶点

●AI+临床数据助力新药靶点发现,天坛医院院长王拥军谈【神农计划】

临床试验

Patterns|诺华举办内部挑战赛,用AI预测候选药物的临床试验成功率

●NPJ Digit Med|多种数字健康技术在去中心化的世界中赋能临床研究

●Nature:如何使用AI分析真实世界数据,简化肿瘤临床试验入组标准

产业进展

●如何管理人工智能和数据科学:来自诺华的实践经验和教训

●20家顶尖制药公司如何将AI应用于药物研发:近年来主要合作活动

●Drug Discov Today|药物研发风险地图

算法开发】 

●NPJ Digit Med|数字医学和维度诅咒

机器学习质量

Nat Comput Sci|迈向可重复的机器学习

Science|让机器学习值得信赖 

隐私计算

●曾亥年|AI药物发现实践与隐私安全计算

●Science China|用增强的联邦学习应对药物发现数据小和偏的困境

●Nature:优于联邦学习的医疗数据共享技术Swarm Learning及应用案例

AI药物发现的数据共享模式探索:以十大顶尖药企参加的MELLODDY项目为例

AlphaFold

Nature|人工智能助力蛋白质折叠预测

Science|AI揭示了蛋白质复合物的结构

●BioRxiv|利用AlphaFold-Multitimer进行蛋白质复合物预测

●谷歌母公司推出AI驱动的药物发现初创公司Isomorphic Labs

Nat Rev Drug Discov|AlphaFold对药物发现意味着什么?

●Nature社论|结构生物学中的人工智能将会继续

监管】 

Nat Mach Intell|美国和欧洲如何监管医学领域的人工智能

●Drug Discov Today|FDA童伟达:基于AI的语言模型为药物发现和开发提供动力

国家药监局关于发布人工智能医用软件产品分类界定指导原则的通告

●FDA发布人工智能/机器学习行动计划

●CDE关于发布《模型引导的药物研发技术指导原则》的通告(2020年第59号)


您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存