Abstract
חברות פאר מהמשקיעות משאבים רבים להבנת מנגנוני הפעולה של תרופות בניסיון לפתח אסטרטגיות טיפוליות המקדמות רפואה מדויקת ואפקטיבית. עם זאת, מיעוט מחקרים ניתחו באופן שיטתי את היכולת לזהות תרופות המטפלות בגורם המחלה (מנגנונים אטיולוגיים) לבין תרופות המקלות על תסמיני המחלה (מנגנונים פליאטיביים). מאמר זה מציג מודל חדש מבוסס למידת מכונה לצורך סיווג מנגנוני הפעולה של תרופות (Mechanism of Action,MoA)כאטיולוגיות אוכפליאטיביות, תוך השוואה בין שלושה מודלים של למידה עמוקה:(i) מודל שפה מאומןScience Bidirectional Encoder Representations from Transformers (SciBERT)( ,ii) מודל רשתי בסיסיBaseline Graph Neural Network(GNN), ו-(iii) מודל משולבDruGNNosis-MoAהממזגGNNעם הטמעותSciBERTכתכונות קודקודים.המודל המשולבDruGNNosis-MoAהצטיין בסיווג מנגנוני פעולה של תרופות (F1-score 0.942.)DruGNNosis-MoA תורם לאפיון מנגנוני תרופות למחקרים עתידיים, ובכך מקדם רפואה מותאמת ופיתוח טיפולי. (מתוך המאמר)
| Original language | Hebrew |
|---|---|
| Pages (from-to) | 49-63 |
| Number of pages | 15 |
| Journal | תיאוריה ופרקטיקה בניהול |
| Volume | 8 |
| State | Published - 2024 |
IHP Publications
- ihp
- Charts, diagrams, etc
- Diseases -- Causes and theories of causation
- Drug approval
- Drugs
- Machine learning
- Natural language processing (Computer science)
- Palliative treatment