R-GCN for drug repurposing in heterogeneous biomedical knowledge graph with contraindication-informed negative sampling
| dc.contributor.advisor | Filippakis, Michael | |
| dc.contributor.advisor | Φιλιππάκης, Μιχαήλ | |
| dc.contributor.author | Kalogianni, Maria | |
| dc.contributor.author | Καλογιάννη, Μαρία | |
| dc.date.accessioned | 2025-11-12T07:50:18Z | |
| dc.date.available | 2025-11-12T07:50:18Z | |
| dc.date.issued | 2025-09 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/18398 | |
| dc.description.abstract | Η επαναχρησιμοποίηση/αναπροσανατολισμός φαρμάκων αποτελεί μια οικονομικά αποδοτική στρατηγική για την ανάπτυξη θεραπειών, με υπολογιστικές μεθόδους που εφαρμόζονται όλο και περισσότερο για την ανακάλυψη νέων συσχετίσεων μεταξύ φαρμάκων και ασθενειών. Απλές προσεγγίσεις βασίζονται συχνά σε τυχαία αρνητική δειγματοληψία, παραβλέποντας κλινικά σημαντικούς περιορισμούς. Η παρούσα εργασία διερευνά μια υβριδική στρατηγική δειγματοληψίας που βασίζεται σε αντενδείξεις και ενσωματώνει 30.675 ανεπιθύμητες σχέσεις φαρμάκων-ασθενειών από το PrimeKG με τυχαία αρνητικά αποτελέσματα, επιτρέποντας την κλινικά τεκμηριωμένη αξιολόγηση της πρόβλεψης βιοϊατρικών συνδέσεων. Αξιολογούμε συγκριτικάαυτό το πλαίσιο χρησιμοποιώντας Node2Vec embeddings με ταξινομητές μηχανικής μάθησης και αρχιτεκτονικές R-GCN υπό διαφορετικούς αρνητικούς λόγους δειγματοληψίας (1:3, 1:10). Το R-GCN μας επιτυγχάνει βαθμολογίες AUPRC 0,91-0,92, με ανταγωνιστική απόδοση σε σχέση με τις πιο σύγχρονες μεθόδους, όπως TxGNN και HGTDR. Η επικύρωση των νέων προβλέψεων με βάση τη βιβλιογραφία δείχνει ισχυρή συμφωνία με τα βιοϊατρικά στοιχεία, υπογραμμίζοντας το μεταφραστικό δυναμικό της προσέγγισης. Ενσωματώνοντας τους κλινικούς περιορισμούς ασφάλειας απευθείας στη διαδικασία μοντελοποίησης, η εργασία αυτή παρέχει ένα πλαίσιο για την πρόβλεψη βιοϊατρικών συνδέσεων με γνώμονα την ασφάλεια. Τα ευρήματα υπογραμμίζουν τη σημασία των πρωτοκόλλων αξιολόγησης με βάση τον τομέα και επισημαίνουν μια πρακτική πορεία προς μια πιο αξιόπιστη επαναχρησιμοποίηση φαρμάκων με τη βοήθεια της τεχνητής νοημοσύνης. | el |
| dc.format.extent | 107 | el |
| dc.language.iso | en | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/gr/ | * |
| dc.title | R-GCN for drug repurposing in heterogeneous biomedical knowledge graph with contraindication-informed negative sampling | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | Drug repurposing represents a cost-effective strategy for therapeutic development, with computational methods increasingly applied to uncover novel drug–disease associations. Traditional approaches often rely on random negative sampling, overlooking clinically meaningful constraints. This work explores a contraindication-informed hybrid sampling strategy that integrates 30,675 adverse drug–disease relationships from PrimeKG with random negatives, enabling clinically grounded evaluation of biomedical link prediction. We systematically benchmark this framework using Node2Vec embeddings with machine learning classifiers and R-GCN architectures under different negative sampling ratios (1:3, 1:10). Our R-GCN achieves AUPRC scores of 0.91-0.92, performing competitively with state-of-the-art methods such as TxGNN and HGTDR. Literature-based validation of novel predictions demonstrates strong concordance with biomedical evidence, underscoring the translational potential of the approach. By embedding clinical safety constraints directly into the modeling process, this work provides a framework for safety-aware biomedical link prediction. The findings emphasize the importance of domain-informed evaluation protocols and highlight a practical path toward more reliable AI-driven drug repurposing. | el |
| dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
| dc.subject.keyword | GNN | el |
| dc.subject.keyword | R-GCN | el |
| dc.subject.keyword | Heterogeneous knowledge graph | el |
| dc.subject.keyword | Drug repurposing | el |
| dc.date.defense | 2025-10-31 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα