Apprentissage semi-supervisé sur graphes pour la prédiction des interactions médicamenteuses

Ce projet propose un cadre d’apprentissage semi-supervisé sur les graphes pour la prédiction des interactions médicamenteuses, conçu pour pallier les limites des méthodes traditionnelles d’apprentissage supervisé qui nécessitent de grandes quantités de données d’interactions étiquetées. L’approche proposée intègre efficacement à la fois des informations étiquetées et non étiquetées sur les médicaments, ce qui permet au modèle d’apprendre des modèles significatifs même lorsqu’un nombre limité d’interactions connues est disponible. Chaque médicament est représenté à l’aide d’informations complètes sur ses caractéristiques, notamment ses structures moléculaires, ses descripteurs chimiques, ses propriétés pharmacologiques et les réseaux d’interactions existants. Ces caractéristiques sont intégrées dans une représentation sous forme de graphe qui préserve les relations intrinsèques entre les médicaments. Un réseau neuronal sur graphe est ensuite utilisé pour effectuer la transmission de messages et l’agrégation de voisinage, générant ainsi des vecteurs d’embedding de faible dimension qui capturent à la fois les caractéristiques structurelles et sémantiques de chaque médicament au sein du réseau d’interactions. Ces embeddings appris sont ensuite utilisés pour prédire, avec une précision accrue, des interactions médicamenteuses jusqu’alors inconnues ou potentielles.