CGM将于北京时间10月19日星期六 9:00 AM举办在线沙龙活动。本期我们有幸邀请到黄柯鑫博士来讲述“A foundation model for clinician-centered drug repurposing”。
嘉宾简介
黄柯鑫, 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。
内容摘要
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的预测和解释在多个性能维度上优于准确性，并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。
关键词：旧药新用；罕见病；人工智能
Huang K. et al. A foundation model for clinician-centered drug repurposing. Nature Medicine. 2024 Sep 25:1-3.
参加方式
2024年10月19日 星期六 9:00 AM（北京时间）
2024年10月18日 星期五 6:00 PM（PST）
参与平台：Zoom及Youbube直播（关注：CGMonline）
Zoom会议链接: https://us06web.zoom.us/j/87870509801?pwd=SGpvdEc3YVRQL2twTmJyenhnTDFrZz09 （可点击阅读原文/Read more直接进入）
Zoom会议ID：878 7050 9801 密码：207409
扫描二维码
关注我们
Bilibili：CGMonline 欢迎三连！
CGM网站：cgmonline.co
YouTube：Chinese Genomics Meet-up
微信群: 请添加微信好友SuonThriangh，请务必注明"CGM+姓名单位"。
