基于药物大数据的潜在不良药物反应挖掘研究

Drugs can treat diseases, but may induce the adverse reactions: side effects and drug-drug interactions, and thus hurt human health. Adverse drug reactions are usually identified through wet experiments, clinic trial and drug post-market supervision, but they are costly and time-consuming, and a great number of adverse drug reactions are still unobserved. Bioinformatics research, medicine research and high throughput sequencing techniques generate the big data which includes multi-source and heterogeneous drug data. The project is to study mining unobserved adverse drug reactions from the big data, and we conduct research on data preprocessing, big data information extraction and big data modeling. In the big data preprocessing, we investigate factors influencing adverse drug reactions to reduce noises and data redundancy, and thus infer the causality rules for factors and adverse reactions; in the big data information extraction, we extract information from preprocessed big data, and represent information in suitable forms for modeling; in the big data modeling, we make use of diverse information and build prediction models. The research in the project can present the complete scheme of mining adverse reactions from big data, and can give out the explainable rules for adverse drug reactions, and predict unobserved drug adverse reactions.

药物能够治疗疾病，但会带来不良反应，如药物副作用和药物-药物反应，危害人类健康。生化实验、临床观察和药物监测是发现不良药物反应的传统途径，但费时费力，而大量不良药物反应仍未被发现。生物信息学、医学和高通测序技术的发展，产生了包含多源异构药物数据的药物大数据。项目开展基于药物大数据的潜在不良药物反应挖掘研究，主要内容包括：药物大数据预处理、药物大数据信息抽取、药物大数据信息整合建模。药物大数据预处理，从大数据中发现影响不良反应的相关要素，消除数据噪音和冗余，并挖掘相关要素导致不良反应的因果规则；药物大数据信息抽取，从预处理后大数据抽取重要信息，并表示为合适形式，以用于建模；药物大数据信息整合建模，整合多源信息建立不良药物反应挖掘模型。项目的成功实施能够提出高精度的不良反应挖掘框架和方案，发现药物产生不良反应的简单规律，挖掘到一些尚未被发现的不良药物反应。

药物能够治疗疾病，但会带来不良反应，危害人类健康。生化实验、临床观察和药物监测是发现不良药物反应的传统途径，但费时费力，而大量不良药物反应仍未被发现。生物信息学、医学和高通测序技术的发展，产生了多源异构药物大数据。项目开展基于药物大数据的潜在不良药物反应挖掘研究，研究大数据预处理、大数据信息抽取、大数据信息整合建模等问题，提出高精度的不良反应挖掘模型和算法。研究团队考虑邻近数据点的高阶信息，提出了一种新的相似度计算方法：线性邻域相似度，用于度量药物等生物实体的相似度；研究团队提出基于矩阵分解的数据融合方法，能够整合已知药物不良反应和药物特征等信息；研究团队将药物不良反应转化为图数据结构，提出了基于图表示学习的不良药物反应预测方法；研究团队将不良反应预测扩展到不良反应事件预测，提出了基于多模态融合和小样本学习的不良反应事件预测方法。项目研究完成了处理多源异构数据、应对不同应用场景的药物不良反应挖掘模型和算法，能够发现尚未被发现的不良药物反应，也能从药物结构等方面来解释药物不良反应背后的机制。