CGM第445期：以临床医生为中心的药物重定位的基础模型
斯坦福大学
斯坦福大学计算机科学系的第四年博士生，由Jure Leskovec教授指导，隶属于斯坦福AI实验室。他的研究专注于使AI能够产生新颖、可部署且可解释的生物医学和药物发现。Kexin的研究重点包括跨越大量、多样化、多模态和多尺度的生物实验进行建模，以生成新颖的假设和发现。他致力于确保这些发现的可靠性和可信度，使其与科学家真正重视的事物保持一致。此外，他还探索如何构建一个能够帮助生物学家日常工作的AI，以及建立一个完全自主的AI生物学家所需的条件。在加入斯坦福之前，他曾与Marinka Zitnik教授、Cao Xiao博士、Jimeng Sun教授和Rajesh Ranganath教授合作。他还在Genentech、辉瑞、IQVIA、Dana-Farber、Flatiron Health和洛克菲勒大学有研究经验。他在纽约大学完成了数学、计算机科学和工作室艺术的本科学位，并在哈佛大学获得了健康数据科学的硕士学位。
活动回放
在 Bilibili 打开完整回放 ↗药物重定位（即为已批准的药物识别新的治疗用途）通常是一种偶然且机会主义的方法，旨在拓展药物在新疾病上的应用。然而，药物重定位人工智能（AI）模型的临床实用性仍然有限，因为这些模型往往聚焦于已有药物的疾病。为此，我们提出了TxGNN，这是一种面向零样本药物重定位的图基础模型，即使针对治疗选择有限或尚无药物的疾病也能识别治疗候选药物。TxGNN基于医学知识图进行训练，利用图神经网络和度量学习模块，为17,080种疾病排名药物作为潜在的适应症和禁忌症。与8种方法进行基准测试后，TxGNN在严格的零样本评估条件下，适应症预测准确性提高了49.2%，禁忌症预测准确性提高了35.1%。为了便于模型解释，TxGNN的解释模块提供了对多跳医学知识路径的透明洞察，形成TxGNN的预测依据。对TxGNN解释模块的人类评估表明，TxGNN的预测和解释在准确性之外的多个性能维度上也表现出令人鼓舞的效果。TxGNN的许多新预测与临床医生在大型医疗系统中此前的非适应症用药处方高度一致。TxGNN的药物重定位预测准确、一致，并可通过多跳可解释路径供专家进行深入分析。
参考文献
- Huang Kexin, Chandak Payal, Wang Qianwen, Havaldar Shreyas, Vaid Akhil, Leskovec Jure, Nadkarni Girish N., Glicksberg Benjamin S., Gehlenborg Nils, Zitnik Marinka. A foundation model for clinician-centered drug repurposing. Nature Medicine. 2024;30(12):3601-3613. DOI: 10.1038/s41591-024-03233-x
评论（0）
登录后即可发表评论。
登录暂无评论，来发表第一条评论吧！