DE112020002669T5

DE112020002669T5 - Automatische Gültigkeitsprüfung und Anreicherung von semantischen Beziehungen zwischen medizinischen Entitäten für die Arzneimittelforschzng

Info

Publication number: DE112020002669T5
Application number: DE112020002669.8T
Authority: DE
Inventors: Adam Spiro; Chen Yanover
Original assignee: International Business Machines Corp
Current assignee: International Business Machines Corp
Priority date: 2019-06-06
Filing date: 2020-05-21
Publication date: 2022-03-03
Also published as: GB202117594D0; JP2022535727A; US20200388401A1; GB2599287A; WO2020245691A1; JP7462684B2; CN113767380A; US11152125B2

Abstract

Ausführungsformen der vorliegenden Systeme und Verfahren können Techniken bereitstellen, die eine Anreicherung einer Darstellung von semantischen Graphen mit Beziehungen bereitstellen, die eine höhere Auflösung der semantischen Beziehungen ermöglichen können und eine genauere Vorhersage von neuen Beziehungen in dem Graphen ermöglichen. Zum Beispiel kann ein Verfahren für die Arzneimittelforschung und Neupositionierung von Arzneimitteln ein Erstellen von semantischen Beziehungen auf dem Computersystem auf der Grundlage von Daten, die sich auf eine Mehrzahl von Aspekten von Arzneimitteln und pharmazeutischen Verbindungen beziehen, wobei die erstellten semantischen Beziehungen in Form eines semantischen Graphen dargestellt werden, ein Erlernen von neuen Beziehungen zwischen den semantischen Beziehungen in dem semantischen Graphen auf dem Computersystem unter Verwendung von Denoising-Autoencodern zum Verarbeiten des semantischen Graphen, und ein Erstellen von Vorhersagen für die Arzneimittelforschung und Neupositionierung von Arzneimitteln auf dem Computersystem auf der Grundlage der semantischen Beziehungen, einschließlich der neu gefundenen Beziehungen, umfassen.

Description

HINTERGRUND
Die vorliegende Erfindung betrifft Techniken, die eine Identifizierung von neuen, in der Arzneimittelforschung zu testenden Verbindungen und von vorhandenen Arzneimitteln beim Neuausrichten von Arzneimitteln sowie ein Prüfen der Gültigkeit von bestehenden Beziehungen bereitstellen.
Herkömmlicherweise ist die Entwicklung pharmazeutischer Arzneimittel ineffizient, mit hohen Ausgaben, aber geringer Produktivität. Die Arzneimittelforschung, d.h. der Prozess eines Identifizierens von neuen Arzneimitteln zur Behandlung von Krankheiten, ist kostspielig und zeitaufwendig. In Frage kommende Verbindungen müssen identifiziert und langwierige und kostspielige Phasen des Testens durchgeführt werden.
Eine Neupositionierung von Arzneimitteln, d.h. der Prozess des Suchens nach zusätzlichen Indikationen wie zum Beispiel Krankheiten usw., die mit bereits vorhandenen Arzneimitteln behandelt werden können, stellt einen vielversprechenden Weg zum Identifizieren von besseren und sichereren Behandlungen dar, ohne dass die vollen Kosten oder der volle Zeitaufwand für die Entwicklung neuer Arzneimittel anfallen. Kandidaten für eine Neupositionierung sind in der Regel entweder auf dem Markt befindliche Arzneimittel oder Arzneimittel, die in klinischen Studien aus anderen Gründen als Sicherheitsbedenken eingestellt wurden. Da die Sicherheitsprofile dieser Arzneimittel bekannt sind, sind klinische Studien für alternative Indikationen billiger, möglicherweise schneller und weniger risikobehaftet als die Entwicklung neuer Arzneimittel.
Sowohl bei der Arzneimittelforschung als auch bei der Neupositionierung von Arzneimitteln ist es wünschenswert, Verbindungen oder vorhandene Arzneimittel zu finden, die höhere Wahrscheinlichkeit aufweisen, wirksam zu sein. Semantische Graphen sind eine Technik, die hierfür verwendet werden kann. Bestehende Lösungen zur Darstellung von semantischen Graphen berücksichtigen einige der möglichen direkten Beziehungen zwischen medizinischen Entitäten, wie zum Beispiel Arzneimittel, Krankheiten, Symptome, Nebenwirkungen, Gene usw., in dem semantischen Graphen für medizinische Entitäten nicht. Zum Beispiel sind Arzneimittel-Entitäten in der Regel mit Krankheiten (bei denen sie indiziert sind), Nebenwirkungen oder Genen verbunden, aber keines der bestehenden Verfahren berücksichtigt die direkte Beziehung zwischen Arzneimitteln und Symptomen.
KURZDARSTELLUNG
Gemäß bevorzugten Ausführungsformen werden Techniken bereitgestellt, die eine Anreicherung einer Darstellung von semantischen Graphen mit Beziehungen ermöglichen, die eine höhere Auflösung der semantischen Beziehungen ermöglichen können und eine genauere Vorhersage von neuen Beziehungen in dem Graphen ermöglichen.
Ausführungsformen der vorliegenden Systeme und Verfahren können Techniken bereitstellen, die eine Anreicherung einer Darstellung von semantischen Graphen mit Beziehungen ermöglichen, die eine höhere Auflösung der semantischen Beziehungen ermöglichen können und eine genauere Vorhersage von neuen Beziehungen in dem Graphen ermöglichen. Dies kann die Möglichkeit für eine schnellere und kostengünstigere Identifizierung von neuen, in der Arzneimittelforschung zu testenden Verbindungen und von vorhandenen Arzneimitteln beim Neuausrichten von Arzneimitteln sowie ein Prüfen der Gültigkeit von bestehenden Beziehungen bereitstellen. Ausführungsformen der vorliegenden Systeme und Verfahren können einen neuartigen Typ von direkter Beziehung verwenden, der eine höhere Auflösung von semantischen Beziehungen aufweist und eine genauere Vorhersage von zusätzlichen Beziehungen in dem semantischen Graphen ermöglicht. Ausführungsformen können neue Wissensdatenbanken verwenden und anreichern, darunter eine Wissensdatenbank mit Arzneimittel-Behandelt-Symptom-Beziehungen, und sie können auch ein technisch ausgereifteres Verfahren zur Vorhersage verwenden, das eine Abänderung des Denoising-Autoencoders (DAE) verwendet.
Zum Beispiel kann in einer Ausführungsform ein Verfahren für die Arzneimittelforschung und Neupositionierung von Arzneimitteln in einem Computersystem umgesetzt werden, das einen Prozessor, einen Speicher, auf den der Prozessor zugreifen kann, und Computerprogrammanweisungen aufweist, die in dem Speicher gespeichert und durch den Prozessor ausführbar sind, wobei das Verfahren aufweist: Erstellen oder Ergänzen einer Datenbank, die Informationen aufweist, die sich auf durch Arzneimittel behandelte Symptome beziehen, wobei die erhaltenen Informationen auf Daten beruhen, die sich auf eine Mehrzahl von Aspekten von Arzneimitteln und pharmazeutischen Verbindungen beziehen; Erstellen oder Ergänzen von semantischen Beziehungen auf dem Computersystem auf der Grundlage der Informationen in der Datenbank, die sich auf durch Arzneimittel behandelte Symptome beziehen, wobei die erstellten semantischen Beziehungen in Form eines semantischen Graphen dargestellt werden; Ableiten von neuen Beziehungen zwischen den semantischen Beziehungen in dem semantischen Graphen auf dem Computersystem unter Verwendung von Denoising-Autoencodern, um den semantischen Graphen zu verarbeiten; und Erstellen von Vorhersagen für die Arzneimittelforschung und Neupositionierung von Arzneimitteln auf dem Computersystem auf der Grundlage der semantischen Beziehungen, einschließlich der neu gefundenen Beziehungen.
In Ausführungsformen kann die Datenbank erstellt oder ergänzt werden durch: Sammeln von Daten auf dem Computersystem, die eine Mehrzahl von Aspekten von Arzneimitteln und pharmazeutischen Verbindungen betreffen; Extrahieren relevanter Begriffe aus den gesammelten Daten auf dem Computersystem; und Zuordnen der extrahierten relevanten Begriffe zu strukturierten medizinischen Begriffen auf dem Computersystem. Die semantischen Beziehungen können erstellt oder ergänzt werden durch: Erstellen von semantischen Beziehungen auf dem Computersystem, die in Form eines semantischen Graphen dargestellt werden, beruhend auf den zugeordneten strukturierten medizinischen Begriffen. Der erstellte semantische Graph kann Knoten und Kanten zwischen den Knoten aufweisen, wobei die Knoten Entitäten darstellen, die zumindest einige der Folgenden umfassen: Arzneimittel oder pharmazeutische Verbindungen, Krankheiten oder Leiden und Symptome, und die Kanten Beziehungen zwischen den Knoten darstellen, die eine Behandelt-Beziehung und zumindest einige der Folgenden umfassen: eine Verursacht-Nebenwirkung-Beziehung, eine Hat-Beziehung und eine Indiziert-Beziehung. Die Beziehungen zwischen den Knoten können darüber hinaus eine Wahrscheinlichkeit für die Beziehung oder einen Punktwert für die Beziehung aufweisen. Die Daten, die eine Mehrzahl von Aspekten von Arzneimitteln und pharmazeutischen Verbindungen betreffen, können zumindest einige der Folgenden aufweisen: strukturierte und unstrukturierte Daten aus textlichen und nicht-textlichen Quellen, darunter Audioquellen, Videoquellen, Arzneimittelbeschriftungen, medizinische und arzneimittelbezogene Datenbanken, medizinische Artikel und Bücher, medizinische Gesundheitsakten, soziale Medien, Internet-Foren und Anleitungen (Text, Audio und Video).
In einer Ausführungsform kann ein System einen Prozessor, einen für den Prozessor zugänglichen Speicher und in dem Speicher gespeicherte und von dem Prozessor ausführbare Computerprogrammanweisungen zum Durchführen des Folgenden aufweisen: Erstellen oder Ergänzen einer Datenbank, die Informationen aufweist, die sich auf durch Arzneimittel behandelte Symptome beziehen, wobei die erhaltenen Informationen auf Daten beruhen, die sich auf eine Mehrzahl von Aspekten von Arzneimitteln und pharmazeutischen Verbindungen beziehen; Erstellen oder Ergänzen von semantischen Beziehungen auf dem Computersystem auf der Grundlage der Informationen in der Datenbank, die sich auf durch Arzneimittel behandelte Symptome beziehen, wobei die erstellten semantischen Beziehungen in Form eines semantischen Graphen dargestellt werden; Ableiten von neuen Beziehungen zwischen den semantischen Beziehungen in dem semantischen Graphen unter Verwendung von Denoising-Autoencodern, um den semantischen Graphen zu verarbeiten, und Erstellen von Vorhersagen für die Arzneimittelforschung und Neupositionierung von Arzneimitteln auf der Grundlage der semantischen Beziehungen, einschließlich der neu gefundenen Beziehungen, und Überprüfen von bestehenden Beziehungen auf Gültigkeit.
In einer Ausführungsform ein Computerprogrammprodukt zum Testen eines Software-Systems, wobei das Computerprogrammprodukt einen nichtflüchtigen, durch einen Computer lesbaren Speicher mit darin enthaltenen Programmanweisungen aufweist, wobei die Programmanweisungen durch einen Computer ausführbar sind, um den Computer zu veranlassen, ein Verfahren durchzuführen, das aufweist: Erstellen oder Ergänzen einer Datenbank, die Informationen aufweist, die sich auf durch Arzneimittel behandelte Symptome beziehen, wobei die erhaltenen Informationen auf Daten beruhen, die sich auf eine Mehrzahl von Aspekten von Arzneimitteln und pharmazeutischen Verbindungen beziehen; Erstellen oder Ergänzen von semantischen Beziehungen auf dem Computersystem auf der Grundlage der Informationen in der Datenbank, die sich auf durch Arzneimittel behandelte Symptome beziehen, wobei die erstellten semantischen Beziehungen in Form eines semantischen Graphen dargestellt werden; Ableiten von neuen Beziehungen zwischen den semantischen Beziehungen in dem semantischen Graphen auf dem Computersystem unter Verwendung von Denoising-Autoencodern, um den semantischen Graphen zu verarbeiten; und Erstellen von Vorhersagen für die Arzneimittelforschung und Neupositionierung von Arzneimitteln auf dem Computersystem auf der Grundlage der semantischen Beziehungen, einschließlich der neu gefundenen Beziehungen.
Gemäß einem Aspekt wird ein Verfahren für die Arzneimittelforschung und Neupositionierung von Arzneimitteln bereitgestellt, das in einem Computersystem umgesetzt wird, das einen Prozessor, einen Speicher, auf den der Prozessor zugreifen kann, und Computerprogrammanweisungen aufweist, die in dem Speicher gespeichert und durch den Prozessor ausführbar sind, wobei das Verfahren aufweist: Erstellen oder Ergänzen einer Datenbank, die Informationen aufweist, die sich auf durch Arzneimittel behandelte Symptome beziehen, wobei die erhaltenen Informationen auf Daten beruhen, die sich auf eine Mehrzahl von Aspekten von Arzneimitteln und pharmazeutischen Verbindungen beziehen; Erstellen oder Ergänzen von semantischen Beziehungen auf dem Computersystem auf der Grundlage der Informationen in der Datenbank, die sich auf durch Arzneimittel behandelte Symptome beziehen, wobei die erstellten semantischen Beziehungen in Form eines semantischen Graphen dargestellt werden; Erlernen von neuen Beziehungen zwischen den semantischen Beziehungen in dem semantischen Graphen auf dem Computersystem unter Verwendung von Denoising-Autoencodern, um den semantischen Graphen zu verarbeiten; und Erstellen von Vorhersagen für die Arzneimittelforschung und Neupositionierung von Arzneimitteln auf dem Computersystem auf der Grundlage der semantischen Beziehungen, einschließlich der neu gefundenen Beziehungen.
Gemäß einem anderen Aspekt wird ein System zum Testen eines Software-Systems bereitgestellt, wobei das System einen Prozessor, einen für den Prozessor zugänglichen Speicher und in dem Speicher gespeicherte und von dem Prozessor ausführbare Computerprogrammanweisungen zum Durchführen des Folgenden aufweist: Erstellen oder Ergänzen einer Datenbank, die Informationen aufweist, die sich auf durch Arzneimittel behandelte Symptome beziehen, wobei die erhaltenen Informationen auf Daten beruhen, die sich auf eine Mehrzahl von Aspekten von Arzneimitteln und pharmazeutischen Verbindungen beziehen; Erstellen oder Ergänzen von semantischen Beziehungen auf dem Computersystem auf der Grundlage der Informationen in der Datenbank, die sich auf durch Arzneimittel behandelte Symptome beziehen, wobei die erstellten semantischen Beziehungen in Form eines semantischen Graphen dargestellt werden; Erlernen von neuen Beziehungen zwischen den semantischen Beziehungen in dem semantischen Graphen auf dem Computersystem unter Verwendung von Denoising-Autoencodern, um den semantischen Graphen zu verarbeiten; und Erstellen von Vorhersagen für die Arzneimittelforschung und Neupositionierung von Arzneimitteln auf dem Computersystem auf der Grundlage der semantischen Beziehungen, einschließlich der neu gefundenen Beziehungen.
Gemäß einem anderen Aspekt wird ein Computerprogrammprodukt zum Testen eines Software-Systems bereitgestellt, wobei das Computerprogrammprodukt einen nichtflüchtigen, durch einen Computer lesbaren Speicher mit darin enthaltenen Programmanweisungen aufweist, wobei die Programmanweisungen durch einen Computer ausführbar sind, um den Computer zu veranlassen, ein Verfahren durchzuführen, das aufweist: Erstellen oder Ergänzen einer Datenbank, die Informationen aufweist, die sich auf durch Arzneimittel behandelte Symptome beziehen, wobei die erhaltenen Informationen auf Daten beruhen, die sich auf eine Mehrzahl von Aspekten von Arzneimitteln und pharmazeutischen Verbindungen beziehen; Erstellen oder Ergänzen von semantischen Beziehungen auf dem Computersystem auf der Grundlage der Informationen in der Datenbank, die sich auf durch Arzneimittel behandelte Symptome beziehen, wobei die erstellten semantischen Beziehungen in Form eines semantischen Graphen dargestellt werden; Erlernen von neuen Beziehungen zwischen den semantischen Beziehungen in dem semantischen Graphen auf dem Computersystem unter Verwendung von Denoising-Autoencodern, um den semantischen Graphen zu verarbeiten; und Erstellen von Vorhersagen für die Arzneimittelforschung und Neupositionierung von Arzneimitteln auf dem Computersystem auf der Grundlage der semantischen Beziehungen, einschließlich der neu gefundenen Beziehungen.
Figurenliste
Bevorzugte Ausführungsformen der vorliegenden Erfindung werden nun lediglich beispielhaft und unter Bezugnahme auf die folgenden Zeichnungen beschrieben, in denen sich gleiche Bezugszahlen und Bezeichnungen auf gleichartige Elemente beziehen:

1 zeigt einen beispielhaften semantischen Graphen mit mehreren medizinischen Entitäten gemäß Ausführungsformen der vorliegenden Systeme und Verfahren.
2 ist ein beispielhaftes Schaubild einer Beziehung gemäß Ausführungsformen der vorliegenden Systeme und Verfahren.
3 ist ein beispielhafter Ablaufplan eines Prozesses zum Erstellen einer Datenbank von Arzneimittel-Behandelt-Symptom-Beziehungen gemäß Ausführungsformen der vorliegenden Systeme und Verfahren.
4 ist ein beispielhafter Ablaufplan eines Prozesses von Denoising-Autoencodern gemäß Ausführungsformen der vorliegenden Systeme und Verfahren.
5 ist ein beispielhaftes Schaubild von Lernmustern und -beziehungen gemäß Ausführungsformen der vorliegenden Systeme und Verfahren.
6 ist ein beispielhaftes Schaubild von Kantenwerten gemäß Ausführungsformen der vorliegenden Systeme und Verfahren.
7 ist ein beispielhaftes Schaubild einer Ausgabe eines Netzes gemäß Ausführungsformen der vorliegenden Systeme und Verfahren.
8 ist ein beispielhaftes Blockschaubild eines Computersystems, in dem Prozesse, die mit den hierin beschriebenen Ausführungsformen einhergehen, umgesetzt werden können.

AUSFÜHRLICHE BESCHREIBUNG
Ausführungsformen der vorliegenden Systeme und Verfahren können Techniken bereitstellen, die eine Anreicherung einer Darstellung von semantischen Graphen mit Beziehungen ermöglichen, die eine höhere Auflösung der semantischen Beziehungen ermöglichen können und eine genauere Vorhersage von neuen Beziehungen in dem Graphen ermöglichen. Dies kann die Möglichkeit für eine schnellere und kostengünstigere Identifizierung von neuen, in der Arzneimittelforschung zu testenden Verbindungen und von vorhandenen Arzneimitteln beim Neuausrichten von Arzneimitteln sowie ein Prüfen der Gültigkeit von bestehenden Beziehungen bereitstellen. Ausführungsformen der vorliegenden Systeme und Verfahren können einen neuartigen Typ von direkter Beziehung verwenden, der eine höhere Auflösung von semantischen Beziehungen aufweist und eine genauere Vorhersage von zusätzlichen Beziehungen in dem semantischen Graphen ermöglicht. Ausführungsformen können eine neue Wissensdatenbank erstellen, die eine Arzneimittel-Behandelt-Symptom-Beziehung aufweist, und sie können auch ein technisch ausgereifteres Verfahren zur Vorhersage verwenden, das eine Abänderung des Denoising-Autoencoders (DAE) verwendet.
Ein Beispiel für einen semantischen Graphen 100 mit mehreren medizinischen Entitäten ist in 1 gezeigt. Zu den medizinischen Entitäten können Arzneimittel 102A bis C, Krankheiten 104A bis C, Symptome 106A bis C, Nebenwirkungen (nicht gezeigt), Gene (nicht gezeigt) usw. gehören. Semantische Beziehungen können Folgendes umfassen: „Behandelt“ (nicht gezeigt) (zum Beispiel: ein Arzneimittel behandelt eine Krankheit oder ein Symptom), „Verursacht“ 108A bis B (zum Beispiel: ein Arzneimittel verursacht eine Nebenwirkung), „Hat“ 110A bis D (zum Beispiel: eine Krankheit hat Symptome), „Indiziert“ 112A bis B (zum Beispiel: ein Arzneimittel ist zum Behandeln einer Krankheit zugelassen), „Zielt ab“ (nicht gezeigt) (zum Beispiel: ein Arzneimittel zielt auf ein Protein ab) usw. Ausführungsformen der vorliegenden Systeme und Verfahren können neue semantische Beziehungen aufdecken, welche die Arzneimittelforschung oder Neuausrichtung von Arzneimitteln unterstützen könnten, zum Beispiel zwischen den Entitäten Arzneimittel und Krankheiten, wie zum Beispiel Arzneimittel D ist bei Krankheit Dx indiziert; oder zwischen Arzneimitteln und Proteinen.
Ausführungsformen der vorliegenden Systeme und Verfahren können rechnerisch Kandidaten für eine Neuausrichtung von Arzneimitteln (oder anderen medizinischen Behandlungen/Verfahren) vorschlagen oder therapeutische Funktionalitäten neuer Verbindungen vorschlagen.
Ausführungsformen der vorliegenden Systeme und Verfahren können neue Beziehungen in dem semantischen Graphen mit medizinischen Entitäten vorhersagen. Derartige Beziehungen lassen sich in aussagekräftige Erkenntnisse übersetzen. Zum Beispiel bedeutet eine neue Beziehung Arzneimittel-Behandelt-Krankheit, dass ein bestehendes Arzneimittel bei einer neuen Krankheit indiziert sein kann (Neuausrichtung von Arzneimitteln), oder Verbindung-Unterdrückt-Protein kann bei dem Prozess der Entdeckung neuer Arzneimittel helfen. Um diese Aufgabe zu erfüllen, können Ausführungsformen eine neue Art von Wissensdatenbank verwenden, die sich in semantischen Beziehungen ausdrückt, die bisher noch nicht verwendet wurden: Arzneimittel-Behandelt-Symptom-Beziehung. Diese neuen Beziehungen können das in den semantischen Graphen eingebettete Wissen bereichern und so dazu beitragen, die Genauigkeit neuartiger Vorhersagen über neue Beziehungen in dem semantischen Graphen medizinischer Entitäten zu erhöhen.
Neue Arzneimittel-Behandelt-Symptom-Beziehungen. Obwohl Arzneimittel bei Krankheiten indiziert sind, sind Krankheiten oftmals durch mehrere Symptome gekennzeichnet. Die indizierten Arzneimittel behandeln möglicherweise nicht die eigentliche Ursache der Krankheit, sondern behandeln oder lindern vielmehr bestimmte Symptome (krankheitsmodifizierende im Vergleich zu symptomatischen Arzneimitteln). Ausführungsformen der vorliegenden Systeme und Verfahren können es ermöglichen, neue Indikationen für bestehende Arzneimittel zu finden, indem die direkte Beziehung zwischen Arzneimitteln und Symptomen erstellt und verwendet wird. Wenn die direkte Wirkung jedes Arzneimittels auf jedes Symptom bekannt ist, können zusätzliche Daten wie zum Beispiel die Beziehungen zwischen Arzneimittel und Krankheit sowie zwischen Krankheit und Symptomen genutzt werden, um neue Krankheitskandidaten für bestehende Arzneimittel zu erstellen oder um neue Funktionalitäten von Verbindungen zu finden. Ebenso können Ausführungsformen eine Gültigkeitsprüfung von bestehenden Beziehungen bereitstellen, wie zum Beispiel Indikationen, Ursachen, Symptome usw. In Ausführungsformen kann eine Datenbank mit Arzneimittel-Behandelt-Symptom-Beziehungen erstellt und zum Anreichern des semantischen Graphen verwendet werden. Die Anreicherung des Graphen kann zum Beispiel durch eine neuartige Abänderung eines Denoising-Autoencoders (DAE) erfolgen. Die Eingabe des DAE kann das gesamte verfügbare Wissen umfassen, das in dem semantischen Graphen codiert ist, und die Ausgabe kann in neue Beziehungen in dem Graphen übersetzt werden, zusammen mit einer Konfidenz-Bewertung.
Ausführungsformen der vorliegenden Systeme und Verfahren können eine Beziehung 200 zwischen einem Arzneimittel 202 und Symptomen 204 nutzen und umsetzen, wie in 2 gezeigt ist. Ausführungsformen können auch eine Wahrscheinlichkeit oder einen Punktwert 206 umfassen, der mit jeder Beziehung einhergeht. Ausführungsformen können einen Ausgangswert für diesen Beziehungstyp erstellen und ihn zum Vorhersagen von neuen Beziehungen (d.h. Kanten) in dem Graphen verwenden.
Anstatt eine Krankheit als einen homogenen Zustand auf hoher Ebene zu betrachten, kann eine Krankheit als ein Satz von Symptomen angesehen werden, wobei jedes Arzneimittel tatsächlich eine Teilmenge dieser Symptome behandeln kann. Dieser Ansatz ermöglicht die Untersuchung der tatsächlichen Wirkung der Arzneimittel und ermöglicht eine genauere Vorhersage von neuen Beziehungen beruhend auf der jeweiligen Symptomausprägung, die sogar bei Patienten mit derselben Krankheit unterschiedlich sein kann. Neben dem Verursachen von Nebenwirkungen oder dem Verschlimmern bereits bestehender Leiden kann die Beziehung zwischen Arzneimitteln und Symptomen „behandelt“ oder „lindert“ lauten (mit oder ohne gezielte Bekämpfung deren Ursache). Die Beziehungen zwischen Arzneimitteln und Symptomen können eine zusätzliche Auflösungsebene zum Verstehen der hervorgehobenen Arzneimittelmechanismen bereitstellen und somit eine wichtige Rolle bei der Aufgabe spielen, neue semantische Beziehungen zu finden.
Erstellen einer Wissensdatenbank über Arzneimittel-Behandelt-Symptom-Beziehungen. Derzeit gibt es mehrere Datenbanken, die verschiedene verwandte Beziehungstypen zwischen medizinischen Entitäten definieren. Zum Beispiel wird die Beziehung zwischen Arzneimitteln und Krankheiten von der FDA veröffentlicht, indem sie Arzneimittelindikationen angibt, die auf klinischen Studien beruhen. Die Beziehung zwischen Krankheiten und Symptomen wird manchmal zum Identifizieren von Krankheiten anhand vorhandener Symptome verwendet (zum Beispiel https://symptoms.webmd.com/), und auch in mehreren Veröffentlichungen wurde diese Art der Beziehung untersucht (zum Beispiel https://www.nature.com/articles/ncomms5212 und https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8122734). Es gibt auch andere Datenbanken, wie zum Beispiel The Human Phenotype Ontology (https://hpo.jax.org/), welche die Beziehung zwischen Krankheiten und Phänotypen abbildet, oder die KEGG Pathway Database, welche die Beziehung zwischen Stoffwechsel, Genetik, Krankheiten und Arzneimitteln abbildet (https://www.genome.jp/kegg/). Für die direkte Beziehung zwischen Arzneimitteln und Symptomen gibt es jedoch nur wenige öffentlich zugängliche Ressourcen, abgesehen von Datenbanken, die zwar Nebenwirkungen von Arzneimitteln beschreiben (zum Beispiel http://sideeffects.embl.de/), nicht aber, welche Symptome von dem jeweiligen Arzneimittel beeinflusst werden.
Ausführungsformen können eine Datenbank mit Arzneimittel-Behandelt-Symptom-Beziehungen erstellen, die zum Anreichern des semantischen Graphen von medizinischen Entitäten verwendet werden kann. Ein beispielhafter Ablaufplan eines Prozesses 300 zum Erstellen einer Datenbank von Arzneimittel-Behandelt-Symptom-Beziehungen ist in 3 dargestellt. Der Prozess 300 beginnt mit 302, wobei Daten gesammelt werden können. Zum Beispiel können die gesammelten Daten verschiedene strukturierte und unstrukturierte Daten aus verschiedenen textlichen und nicht-textlichen Quellen umfassen, wie zum Beispiel Audio und Video, Quellen wie zum Beispiel Arzneimittelbeschriftungen, medizinische und arzneimittelbezogene Datenbanken, medizinische Artikel und Bücher, medizinische Gesundheitsakten, soziale Medien, Internet-Foren, Anleitungen (Text, Audio und Video), usw. Diese Ressourcen (und andere) können zum Anreichern des potenziellen Datenbestands verwendet werden, der für die Extraktion, Analyse und Erstellung von Arzneimittel-Behandelt-Symptom-Beziehungen verwendet werden kann. Bei 304 können bekannte Prozesse für die Text-, Audio- und Bildanalyse verwendet werden, um relevante Begriffe wie zum Beispiel Namen von Arzneimitteln, Symptome, Krankheiten und die Beziehungen zwischen ihnen zu extrahieren. Bei 306 können die extrahierten Begriffe strukturierten medizinischen Begriffen und Ontologien zugeordnet werden, wie zum Beispiel MeSH-Begriffen, ICD oder RxNorm usw.
Bei 308 können die Begriffe (in dem Kontext der oben beschriebenen Datenquellen) analysiert werden, um semantische Beziehungen zwischen ihnen zu erstellen. Zu Beispielen können die Folgenden gehören:
Analyse von Texten über Empfindungen, die verwendet werden kann, um zu verstehen, ob ein Arzneimittel ein bestimmtes Symptom „verursacht“ oder „behandelt“.
Ein gemeinsames Auftreten von Begriffen kann zum Erstellen eines gewichteten Graphen verwendet werden, in dem Knoten Begriffe darstellen und Kantengewichte das gemeinsame Auftreten der beiden Knoten darstellen. Merkmale und Struktur des Graphen können analysiert werden, um semantische Beziehungen zwischen Knoten zu finden.
Worteinbettungen, zum Beispiel unter Verwendung von word2vec (eine Gruppe verwandter Modelle, die zum Erzeugen von Worteinbettungen verwendet werden, wie in dem US-Patent mit der Nr. 9 037 464 beschrieben) oder GloVe (Global Vectors, ein Modell für verteilte Wortdarstellung, von der Stanford University), können verwendet werden, um die Verwandtschaft zweier Begriffe abzuleiten, zum Beispiel „Arzneimittel A verhält sich zu Symptom X wie Arzneimittel B zu Symptom Y“ usw.
Bei 310 kann die erstellte Datenbank gespeichert werden. Die erstellte Datenbank kann einen Satz von Beziehungen zwischen Arzneimitteln und Symptomen umfassen, wobei jede Beziehung eine Richtung der Wirkung (z.B. „verursacht“ oder „behandelt“) und einen Konfidenz-Pegel umfasst. Die erstellte Datenbank kann eine neue Wissensdatenbank umfassen, die Arzneimittel-Behandelt-Symptom-Beziehungen in strukturierter Weise enthält und wie vorstehend beschrieben erstellt wird. Nach dem Erstellen dieser Wissensdatenbank können diese Beziehungen in einem semantischen Graphen codiert werden. Darüber hinaus können Denoising-Autoencoder (DAE) für die Vorhersageaufgabe verwendet werden, wie zum Beispiel bei der Arzneimittelforschung, wobei der DAE auch die zuvor erstellten, codierten Arzneimittel-Behandelt-Symptom-Beziehungen verwenden kann. Diese Beziehungen können auch unter Verwendung des DAE angereichert werden.
Wie vorstehend erwähnt, kann der DAE zum Vorhersagen von neuen Beziehungen verwendet werden. Eine klassische Anwendung von DAE ist ein Erstellen einer latenten kompakten Darstellung einer einzelnen Domäne durch unbeaufsichtigte Rekonstruktion der Eingabe. Durch ein zufälliges Löschen eines Teils der Eingabe und ein Versuchen, die vollständige Eingabe zu rekonstruieren, lernt das Netz die komplexen Beziehungen zwischen den Eingangsknoten, um die vollständige Eingabe aus ihren Teilinformationen zu rekonstruieren.
In Ausführungsformen der vorliegenden Systeme und Verfahren kann eine modifizierte Version von DAE verwendet werden. Bei einem Denoising-Autoencoder (DAE) handelt es sich um eine bestimmte Art von Autoencoder, der als eine Art tiefes neuronales Netz betrachtet werden kann. Der DAE kann so trainiert werden, dass er eine verborgene Schicht verwendet, um auf der Grundlage seiner Eingaben ein bestimmtes Modell zu erstellen. Im Allgemeinen können Autoencoder ihre Eingaben zum Beispiel unter Verwendung von unüberwachtem maschinellem Lernen rekonstruieren und Ergebnisse aus unstrukturierten Daten erhalten. Um Soll-Ausgaben mit Eingaben abzugleichen und ein Gleichgewicht zu erreichen, können DAEs eine verfälschte Version einer Eingabe akzeptieren und unter Verwendung von Rauschbeseitigungstechniken versuchen, eine saubere Eingabe zu rekonstruieren. Rauschen kann in einer spezifischen Menge als Prozentsatz der Eingangsgröße eingebracht werden, was die verborgene Schicht zwingen kann, eine saubere Version aus der beschädigten Version zu erzeugen. DAEs können auch übereinander gestapelt werden, um ein iteratives Lernen bereitzustellen, um ihr Ziel zu erreichen.
Ein beispielhafter Prozess eines DAE 400 ist in 4 gezeigt. Bei 402 kann eine Eingabe aus mehreren Bereichen, wie zum Beispiel Arzneimittel-Nebenwirkungen, Arzneimittel-Indikationen, Fingerabdrücke usw., anstelle einer Eingabe aus nur einem Bereich erhalten werden. Bei 404 kann eine Rekonstruktion lediglich von Entitäten durchgeführt werden, für die eine Entdeckung von neuen Beziehungen erwünscht ist. Zum Beispiel ist, wie erwähnt, eine mögliche Ausführungsform der Anreicherung des semantischen Graphen eine Neuausrichtung von Arzneimitteln.
In 406 können Muster und Beziehungen erlernt werden. Zum Beispiel kann, wie in 5 gezeigt ist, jedes Arzneimittel 102A bis C durch einen oder mehrere numerische Vektoren dargestellt werden, wobei der Wert jedes Eintrags eine semantische Beziehung zwischen dem Arzneimittel und irgendeiner anderen medizinischen Entität darstellt, die in dem semantischen Graphen codiert ist. Zum Beispiel kann in 5 der Eintrag des Vektors für Arzneimittel D1, der dessen „Indiziert“-Beziehung 112A bei Krankheit Dx1 entspricht, auf Wahr gesetzt werden, der Eintrag des Vektors für Arzneimittel D2, der „Verursacht (Nebenwirkung)“ 108A mit einem Symptom S2 entspricht, auf Wahr gesetzt werden, und der Eintrag des Vektors für Arzneimittel D3, der „Verursacht (Nebenwirkung)“ 108B mit dem Symptom S2 und „Indiziert“ 112B bei Krankheit Dx3 entspricht, auf Wahr gesetzt werden; während Einträge des Vektors, die nicht existierenden Kanten entsprechen, auf Falsch gesetzt werden können.
Wie in dem Beispiel aus 6 gezeigt ist, kann der Vektorwert entweder binär sein (zum Beispiel Wahr oder Falsch für die „Indiziert“-Beziehung, wie zum Beispiel die „Indiziert“-Beziehungen 112A bis B) oder es kann sich um eine Wahrscheinlichkeit handeln (zum Beispiel die „Verursacht Nebenwirkung“-Beziehung, wie zum Beispiel die „Verursacht Nebenwirkung“-Beziehungen 108A bis B), aber es kann sich auch um einen beliebigen geeigneten Punktwert handeln. Darüber hinaus kann die „Behandelt“-Beziehung, wie zum Beispiel die „Behandelt“-Beziehungen 114A bis B, in dem Graphen 100 enthalten sein. Bei der Ausgabe des Netzes kann es sich entweder um eine Teilmenge oder um einen anderen Satz von Beziehungen handeln, zum Beispiel können Eingangsknoten-Beziehungen „Indiziert bei Krankheit Dx“ 702A bis N Ausgangsknoten 704A bis N zugeordnet werden, wie in 7 gezeigt ist. Durch Einsetzen eines unüberwachten Trainingsschemas erlernt der DAE die komplizierten Muster der bestehenden Beziehungen, um die Ausgabe wiederherzustellen, indem Werte aus den Eingangsknoten zufällig gelöscht werden. Im Gegensatz zu klassischen DAEs müssen die Ausgangsknoten nicht mit den Eingangsknoten identisch sein.
Bei 408 kann der DAE durch Erlernen von komplexen Mustern und Beziehungen zwischen den Knoten des Eingangsvektors neue Beziehungen in dem Graphen vorhersagen, zum Beispiel in der Form „Arzneimittel D ist bei Krankheit Dx indiziert“. Nach dem Trainieren des Netzes kann das trainierte Netz unter Verwendung der vollständigen Eingangsdaten zum Erstellen der tatsächlichen, endgültigen Vorhersagen verwendet werden. Neue Vorhersagen können unter Verwendung zum Beispiel einer Softmax-Funktion in der letzten Schicht gemäß ihrem Konfidenz-Pegel untersucht werden. Softmax erweitert die Idee der einklassigen logistischen Regression auf eine Welt mit mehreren Klassen. Das heißt, Softmax weist jeder Klasse in einem Mehrklassenproblem dezimale Wahrscheinlichkeiten zu. Diese dezimalen Wahrscheinlichkeiten müssen in der Summe 1,0 ergeben. Diese zusätzliche Einschränkung trägt dazu bei, dass Training schneller konvergiert, als es sonst der Fall wäre. Softmax wird durch eine neuronale Netzschicht unmittelbar vor der Ausgangsschicht umgesetzt. Die Softmax-Schicht muss die gleiche Anzahl von Knoten haben wie die Ausgangsschicht.
Ein beispielhaftes Blockschaubild eines Computersystems 800, in dem Prozesse, die mit den hierin beschriebenen Ausführungsformen einhergehen, umgesetzt werden können, ist in 8 gezeigt. Das Computersystem 800 kann unter Verwendung eines oder mehrerer programmierter Universalcomputersysteme wie zum Beispiel eingebetteter Prozessoren, Systemen auf einem Chip, Personal Computer, Arbeitsstationen, Serversystemen und Minicomputern oder Großrechnern, oder in verteilten, vernetzten Datenverarbeitungsumgebungen umgesetzt werden. Das Computersystem 800 kann einen oder mehrere Prozessoren (CPUs) 802A bis 802N, eine Eingabe/Ausgabe-Schaltungsanordnung 804, einen Netzwerkadapter 806 und einen Speicher 808 umfassen. Die CPUs 802A bis 802N führen Programmanweisungen aus, um die Funktionen der vorliegenden Datenübertragungssysteme und Verfahren auszuführen. Üblicherweise handelt es sich bei den CPUs 802A bis 802N um einen oder mehrere Mikroprozessoren, wie zum Beispiel einen INTEL CORE^®-Prozessor. 8 veranschaulicht eine Ausführungsform, in der das Computersystem 800 als ein einzelnes Multiprozessor-Computersystem umgesetzt ist, in dem mehrere Prozessoren 802A bis 802N Systemressourcen wie zum Beispiel den Speicher 808, die Eingabe/Ausgabe-Schaltungsanordnung 804 und den Netzwerkadapter 806 gemeinsam nutzen. Allerdings umfassen die vorliegenden Datenübertragungssysteme und Verfahren auch Ausführungsformen, in denen das Computersystem 800 als eine Mehrzahl von vernetzten Computersystemen umgesetzt ist, bei denen es sich um Einzelprozessor-Computersysteme, Multiprozessor-Computersysteme oder eine Mischform davon handeln kann.
Die Eingabe/Ausgabe-Schaltungsanordnung 804 stellt die Möglichkeit bereit, Daten in das Computersystem 800 einzugeben oder Daten aus diesem auszugeben. Zum Beispiel kann die Eingabe/Ausgabe-Schaltungsanordnung Eingabeeinheiten wie zum Beispiel Tastaturen, Mäuse, Tastfelder, Rollkugeln, Scanner, Analog-Digital-Wandler usw., Ausgabeeinheiten wie zum Beispiel Videoadapter, Monitore, Drucker usw. sowie Eingabe/Ausgabe-Einheiten wie zum Beispiel Modems usw. umfassen. Der Netzwerkadapter 806 bildet die Schnittstelle zwischen der Einheit 800 und einem Netzwerk 810. Bei dem Netzwerk 810 kann es sich um ein öffentliches oder firmeneigenes LAN oder WAN handeln, einschließlich des Internets, ohne darauf beschränkt zu sein.
In dem Speicher 808 sind Programmanweisungen gespeichert, die von der CPU 802 ausgeführt werden, sowie Daten, die von der CPU 802 verwendet und verarbeitet werden, um die Funktionen des Computersystems 800 auszuführen. Der Speicher 808 kann zum Beispiel elektronische Speichereinheiten wie zum Beispiel Direktzugriffsspeicher (RAM), Nur-Lese-Speicher (ROM), programmierbaren Nur-Lese-Speicher (PROM), elektrisch löschbaren programmierbaren Nur-Lese-Speicher (EEPROM), Flash-Speicher usw. sowie elektromechanischen Speicher wie zum Beispiel Magnetplattenlaufwerke, Bandlaufwerke, optische Plattenlaufwerke usw. beinhalten, die eine IDE-Schnittstelle (Festplatten-Schnittstelle - Integrated Drive Electronics) oder eine Abwandlung oder Erweiterung derselben wie zum Beispiel EIDE (Festplatten-Schnittstelle - Enhanced Integrated Drive Electronics) oder einen ultradirekten Speicherzugriff (UDMA, ultra-direct memory access) oder eine auf SCSI (Small Computer System Interface) beruhende Schnittstelle oder eine Abwandlung oder Erweiterung derselben wie zum Beispiel Fast-SCSI, Wide-SCSI, Fast-and-Wide-SCSI usw. oder eine SATA-Schnittstelle (serielle Schnittstelle zwischen Prozessor und Festplatte - Serial Advanced Technology Attachment) oder eine Abwandlung oder Erweiterung derselben oder eine FC-AL-Schnittstelle (Ringtopologie - Fibre-Channel-Arbitrated-Loop) verwenden können.
Der Inhalt des Speichers 808 kann je nach der Funktion, für deren Durchführung das Computersystem 800 programmiert ist, variieren. In dem in 8 gezeigten Beispiel sind beispielhafte Speicherinhalte gezeigt, die Routinen und Daten für Ausführungsformen der vorstehend beschriebenen Prozesse darstellen. Ein Fachmann wird jedoch erkennen, dass diese Routinen zusammen mit den mit diesen Routinen verbundenen Speicherinhalten nicht auf einem System oder einer Vorrichtung enthalten sein müssen, sondern beruhend auf wohlbekannten technischen Überlegungen stattdessen auf eine Mehrzahl von Systemen oder Einheiten verteilt sein können. Die vorliegenden Systeme und Verfahren können alle derartigen Anordnungen umfassen.
In dem in 8 gezeigten Beispiel kann der Speicher 808 eine Wissensdatenbank 812, Daten 814 eines semantischen Graphen, Routinen 816 zur Erstellung einer Wissensdatenbank, Routinen 818 eines semantischen Graphen, DAE-Routinen 820 und ein Betriebssystem 822 umfassen. Die Wissensdatenbank 812 kann Daten umfassen, die Beziehungen zwischen Arzneimitteln, pharmazeutischen Verbindungen, Symptomen, Nebenwirkungen usw. betreffen, wie vorstehend beschrieben. Die Daten 814 eines semantischen Graphen können Daten umfassen, die semantische Graphen über Beziehungen zwischen Arzneimitteln, Verbindungen, Symptomen, Nebenwirkungen usw. darstellen, wie vorstehend beschrieben. Die Routinen 816 zur Erstellung einer Wissensdatenbank können Software-Routinen umfassen, um die Wissensdatenbank 812 aus Daten zu erstellen, die eine Mehrzahl von Aspekten von Arzneimitteln und pharmazeutischen Verbindungen betreffen, wie vorstehend beschrieben. Die Routinen 818 eines semantischen Graphen können Software-Routinen umfassen, um einen semantischen Graphen der medizinischen Entitäten zu erstellen und/oder anzureichern, wie vorstehend beschrieben. Die DAE-Routinen 820 können Software-Routinen zum Vorhersagen neuer Beziehungen und/oder zum Anreichern von Beziehungen unter Verwendung von DAE umfassen, wie vorstehend beschrieben. Das Betriebssystem 822 kann eine Gesamtsystemfunktionalität bereitstellen.
Wie in 8 gezeigt ist, können die vorliegenden Datenübertragungssysteme und Verfahren die Umsetzung auf einem System oder auf Systemen umfassen, das/die Multiprozessor-, Multitasking-, Multiprozess- und/oder Multi-Thread-Datenverarbeitung bereitstellt/bereitstellen, sowie die Umsetzung auf Systemen, die lediglich Einzelprozessor-, Einzel-Thread-Datenverarbeitung anbieten. Multiprozessor-Datenverarbeitung geht mit dem Durchführen von Datenverarbeitung unter Verwendung von mehr als einem Prozessor einher. Multitasking-Datenverarbeitung geht mit dem Durchführen von Datenverarbeitung unter Verwendung von mehr als einem Betriebssystem-Task einher. Ein Task ist ein Betriebssystem-Konzept, das sich auf die Kombination aus einem ausgeführten Programm und von dem Betriebssystem verwendeten organisatorischen Informationen bezieht. Immer dann, wenn ein Programm ausgeführt wird, erstellt das Betriebssystem einen neuen Task dafür. Der Task ist für das Programm dahingehend wie ein Umschlag, dass er das Programm mit einer Aufgabennummer kennzeichnet und andere organisatorische Informationen daran anhängt. Viele Betriebssysteme, darunter Linux, UNIX^®, OS/2^® und Windows^®, sind in der Lage, viele Tasks gleichzeitig auszuführen und werden als Multitasking-Betriebssysteme bezeichnet. Multitasking ist die Fähigkeit eines Betriebssystems, mehr als eine ausführbare Datei gleichzeitig auszuführen. Jede ausführbare Datei läuft in einem eigenen Adressraum, was bedeutet, dass die ausführbaren Dateien keine Möglichkeit haben, irgendeinen Teil ihres Speichers zu teilen. Dies bietet Vorteile, da es für kein Programm möglich ist, die Ausführung eines der anderen auf dem System laufenden Programme zu stören. Die Programme haben jedoch keine Möglichkeit, Informationen auszutauschen, außer über das Betriebssystem (oder durch das Lesen von Dateien, die auf dem Dateisystem gespeichert sind). Multiprozess-Datenverarbeitung ist ähnlich wie die Multitasking-Datenverarbeitung, da die Begriffe Task und Prozess häufig austauschbar verwendet werden, obwohl einige Betriebssysteme eine Unterscheidung zwischen den beiden treffen.
Bei der vorliegenden Erfindung kann es sich um ein System, ein Verfahren und/oder ein Computerprogrammprodukt auf jeder möglichen technischen Detailstufe der Integration handeln. Das Computerprogrammprodukt kann ein durch einen Computer lesbares Speichermedium (oder -medien) mit durch einen Computer lesbaren Programmanweisungen darauf umfassen, um einen Prozessor dazu zu veranlassen, Aspekte der vorliegenden Erfindung auszuführen. Bei dem durch einen Computer lesbaren Speichermedium kann es sich um eine physische Einheit handeln, die Anweisungen zur Verwendung durch ein System zur Ausführung von Anweisungen behalten und speichern kann.
Bei dem durch einen Computer lesbaren Speichermedium kann es sich zum Beispiel um eine elektronische Speichereinheit, eine magnetische Speichereinheit, eine optische Speichereinheit, eine elektromagnetische Speichereinheit, eine Halbleiterspeichereinheit oder jede geeignete Kombination daraus handeln, ohne auf diese beschränkt zu sein. Zu einer nicht erschöpfenden Liste spezifischerer Beispiele des durch einen Computer lesbaren Speichermediums gehören die Folgenden: eine tragbare Computerdiskette, eine Festplatte, ein Direktzugriffsspeicher (RAM), ein Nur-Lese-Speicher (ROM), ein löschbarer programmierbarer Nur-Lese-Speicher (EPROM bzw. Flash-Speicher), ein statischer Direktzugriffsspeicher (SRAM), ein tragbarer Kompaktspeicherplatte-Nur-Lese-Speicher (CD-ROM), eine DVD (digital versatile disc), ein Speicher-Stick, eine Diskette, eine mechanisch codierte Einheit wie zum Beispiel Lochkarten oder erhabene Strukturen in einer Rille, auf denen Anweisungen gespeichert sind, und jede geeignete Kombination daraus. Ein durch einen Computer lesbares Speichermedium soll in der Verwendung hierin nicht als flüchtige Signale an sich aufgefasst werden, wie zum Beispiel Funkwellen oder andere sich frei ausbreitende elektromagnetische Wellen, elektromagnetische Wellen, die sich durch einen Wellenleiter oder ein anderes Übertragungsmedium ausbreiten (z.B. Lichtwellenleiterkabel durchlaufende Lichtimpulse) oder durch einen Draht übertragene elektrische Signale.
Hierin beschriebene, durch einen Computer lesbare Programmanweisungen können von einem durch einen Computer lesbaren Speichermedium auf jeweilige Datenverarbeitungs-/Verarbeitungseinheiten oder über ein Netzwerk wie zum Beispiel das Internet, ein lokales Netzwerk, ein Weitverkehrsnetz und/oder ein drahtloses Netzwerk auf einen externen Computer oder eine externe Speichereinheit heruntergeladen werden. Das Netzwerk kann Kupferübertragungskabel, Lichtwellenübertragungsleiter, drahtlose Übertragung, Leitwegrechner, Firewalls, Vermittlungseinheiten, Gateway-Computer und/oder Edge-Server aufweisen. Eine Netzwerkadapterkarte oder Netzwerkschnittstelle in jeder Datenverarbeitungs-/Verarbeitungseinheit empfängt durch einen Computer lesbare Programmanweisungen aus dem Netzwerk und leitet die durch einen Computer lesbaren Programmanweisungen zur Speicherung in einem durch einen Computer lesbaren Speichermedium innerhalb der entsprechenden Datenverarbeitungs-/Verarbeitungseinheit weiter.
Bei durch einen Computer lesbaren Programmanweisungen zum Ausführen von Arbeitsschritten der vorliegenden Erfindung kann es sich um Assembler-Anweisungen, ISA-Anweisungen (Instruction-Set-Architecture), Maschinenanweisungen, maschinenabhängige Anweisungen, Mikrocode, Firmware-Anweisungen, zustandssetzende Daten, Konfigurationsdaten für integrierte Schaltungen oder entweder Quellcode oder Objektcode handeln, die in einer beliebigen Kombination aus einer oder mehreren Programmiersprachen geschrieben werden, darunter objektorientierte Programmiersprachen wie Smalltalk, C++ o.ä. sowie herkömmliche prozedurale Programmiersprachen wie die Programmiersprache „C“ oder ähnliche Programmiersprachen. Die durch einen Computer lesbaren Programmanweisungen können vollständig auf dem Computer des Benutzers, teilweise auf dem Computer des Benutzers, als eigenständiges Software-Paket, teilweise auf dem Computer des Benutzers und teilweise auf einem fernen Computer oder vollständig auf dem fernen Computer oder Server ausgeführt werden. In letzterem Fall kann der entfernt angeordnete Computer mit dem Computer des Benutzers durch eine beliebige Art Netzwerk verbunden sein, darunter ein lokales Netzwerk (LAN) oder ein Weitverkehrsnetz (WAN), oder die Verbindung kann mit einem externen Computer hergestellt werden (zum Beispiel über das Internet unter Verwendung eines Internet-Dienstanbieters). In einigen Ausführungsformen können elektronische Schaltungen, darunter zum Beispiel programmierbare Logikschaltungen, vor Ort programmierbare Gatter-Anordnungen (FPGA, field programmable gate arrays) oder programmierbare Logikanordnungen (PLA, programmable logic arrays) die durch einen Computer lesbaren Programmanweisungen ausführen, indem sie Zustandsinformationen der durch einen Computer lesbaren Programmanweisungen nutzen, um die elektronischen Schaltungen zu personalisieren, um Aspekte der vorliegenden Erfindung durchzuführen.
Aspekte der vorliegenden Erfindung sind hierin unter Bezugnahme auf Ablaufpläne und/oder Blockschaltbilder bzw. Schaubilder von Verfahren, Vorrichtungen (Systemen) und Computerprogrammprodukten gemäß Ausführungsformen der Erfindung beschrieben. Es wird darauf hingewiesen, dass jeder Block der Ablaufpläne und/oder der Blockschaltbilder bzw. Schaubilder sowie Kombinationen von Blöcken in den Ablaufplänen und/oder den Blockschaltbildern bzw. Schaubildern mittels durch einen Computer lesbare Programmanweisungen ausgeführt werden können.
Diese durch einen Computer lesbaren Programmanweisungen können einem Prozessor eines Universalcomputers, eines Spezialcomputers oder einer anderen programmierbaren Datenverarbeitungsvorrichtung bereitgestellt werden, um eine Maschine zu erzeugen, so dass die über den Prozessor des Computers bzw. der anderen programmierbaren Datenverarbeitungsvorrichtung ausgeführten Anweisungen ein Mittel zur Umsetzung der in dem Block bzw. den Blöcken der Ablaufpläne und/oder der Blockschaltbilder bzw. Schaubilder festgelegten Funktionen/Schritte erzeugen. Diese durch einen Computer lesbaren Programmanweisungen können auch auf einem durch einen Computer lesbaren Speichermedium gespeichert sein, das einen Computer, eine programmierbare Datenverarbeitungsvorrichtung und/oder andere Einheiten so steuern kann, dass sie auf eine bestimmte Art funktionieren, so dass das durch einen Computer lesbare Speichermedium, auf dem Anweisungen gespeichert sind, ein Herstellungsprodukt aufweist, darunter Anweisungen, welche Aspekte der/des in dem Block bzw. den Blöcken des Ablaufplans und/oder der Blockschaltbilder bzw. Schaubilder angegebenen Funktion/Schritts umsetzen.
Die durch einen Computer lesbaren Programmanweisungen können auch auf einen Computer, eine andere programmierbare Datenverarbeitungsvorrichtung oder eine andere Einheit geladen werden, um das Ausführen einer Reihe von Prozessschritten auf dem Computer bzw. der anderen programmierbaren Vorrichtung oder anderen Einheit zu verursachen, um einen auf einem Computer ausgeführten Prozess zu erzeugen, so dass die auf dem Computer, einer anderen programmierbaren Vorrichtung oder einer anderen Einheit ausgeführten Anweisungen die in dem Block bzw. den Blöcken der Ablaufpläne und/oder der Blockschaltbilder bzw. Schaubilder festgelegten Funktionen/Schritte umsetzen.
Die Ablaufpläne und die Blockschaltbilder bzw. Schaubilder in den Figuren veranschaulichen die Architektur, die Funktionalität und den Betrieb möglicher Ausführungen von Systemen, Verfahren und Computerprogrammprodukten gemäß verschiedenen Ausführungsformen der vorliegenden Erfindung. In diesem Zusammenhang kann jeder Block in den Ablaufplänen oder Blockschaltbildern bzw. Schaubildern ein Modul, ein Segment oder einen Teil von Anweisungen darstellen, die eine oder mehrere ausführbare Anweisungen zur Ausführung der bestimmten logischen Funktion(en) aufweisen. In einigen alternativen Ausführungen können die in dem Block angegebenen Funktionen in einer anderen Reihenfolge als in den Figuren gezeigt stattfinden. Zwei nacheinander gezeigte Blöcke können zum Beispiel in Wirklichkeit im Wesentlichen gleichzeitig ausgeführt werden, oder die Blöcke können manchmal je nach entsprechender Funktionalität in umgekehrter Reihenfolge ausgeführt werden. Es ist ferner anzumerken, dass jeder Block der Blockschaltbilder bzw. Schaubilder und/oder der Ablaufpläne sowie Kombinationen aus Blöcken in den Blockschaltbildern bzw. Schaubildern und/oder den Ablaufplänen durch spezielle auf Hardware beruhende Systeme umgesetzt werden können, welche die festgelegten Funktionen oder Schritte durchführen, oder Kombinationen aus Spezial-Hardware und Computeranweisungen ausführen.
Obwohl spezifische Ausführungsformen der vorliegenden Erfindung beschrieben wurden, wird der Fachmann verstehen, dass es andere Ausführungsformen gibt, die gleichbedeutend mit den beschriebenen Ausführungsformen sind. Dementsprechend sollte klar sein, dass die Erfindung nicht durch die spezifischen veranschaulichten Ausführungsformen, sondern lediglich durch den Umfang der beigefügten Ansprüche beschränkt werden soll.

Claims

Verfahren für die Arzneimittelforschung und Neupositionierung von Arzneimitteln, umgesetzt in einem Computersystem, das einen Prozessor, einen für den Prozessor zugänglichen Speicher und in dem Speicher gespeicherte und von dem Prozessor ausführbare Computerprogrammanweisungen aufweist, das Verfahren umfassend: Erstellen oder Ergänzen einer Datenbank, die Informationen aufweist, die sich auf durch Arzneimittel behandelte Symptome beziehen, wobei die erhaltenen Informationen auf Daten beruhen, die sich auf eine Mehrzahl von Aspekten von Arzneimitteln und pharmazeutischen Verbindungen beziehen; Erstellen oder Ergänzen von semantischen Beziehungen auf dem Computersystem auf der Grundlage der Informationen in der Datenbank, die sich auf durch Arzneimittel behandelte Symptome beziehen, wobei die erstellten semantischen Beziehungen in Form eines semantischen Graphen dargestellt werden; Erlernen von neuen Beziehungen zwischen den semantischen Beziehungen in dem semantischen Graphen auf dem Computersystem unter Verwendung von Denoising-Autoencodern zum Verarbeiten des semantischen Graphen; und Erstellen von Vorhersagen, auf dem Computersystem, für die Arzneimittelforschung und Neupositionierung von Arzneimitteln, beruhend auf den semantischen Beziehungen, einschließlich der neu gefundenen Beziehungen.
Verfahren nach Anspruch 1, wobei die Datenbank erstellt oder ergänzt wird durch: Sammeln von Daten auf dem Computersystem, die eine Mehrzahl von Aspekten von Arzneimitteln und pharmazeutischen Verbindungen betreffen; Extrahieren von relevanten Begriffen aus den gesammelten Daten auf dem Computersystem; und Zuordnen der extrahierten relevanten Begriffe zu strukturierten medizinischen Begriffen auf dem Computersystem.
Verfahren nach Anspruch 2, wobei die semantischen Beziehungen erstellt oder ergänzt werden durch: Erstellen von semantischen Beziehungen auf dem Computersystem, die in Form eines semantischen Graphen dargestellt werden, beruhend auf den zugeordneten strukturierten medizinischen Begriffen.
Verfahren nach Anspruch 3, wobei der erstellte semantische Graph Knoten und Kanten zwischen den Knoten aufweist, wobei die Knoten Entitäten darstellen, die zumindest einige der Folgenden umfassen: Arzneimittel oder pharmazeutische Verbindungen, Krankheiten oder Leiden und Symptome, und die Kanten Beziehungen zwischen den Knoten darstellen, die eine Behandelt-Beziehung und zumindest einige der Folgenden umfassen: eine Verursacht-Nebenwirkung-Beziehung, eine Hat-Beziehung und eine Indiziert-Beziehung.
Verfahren nach Anspruch 4, wobei die Beziehungen zwischen den Knoten darüber hinaus eine Wahrscheinlichkeit für die Beziehung oder einen Punktwert für die Beziehung aufweisen.
Verfahren nach Anspruch 5, wobei die Daten, die eine Mehrzahl von Aspekten von Arzneimitteln und pharmazeutischen Verbindungen betreffen, zumindest einige der Folgenden aufweisen: strukturierte und unstrukturierte Daten aus textlichen und nicht-textlichen Quellen, darunter Audioquellen, Videoquellen, Arzneimittelbeschriftungen, medizinische und arzneimittelbezogene Datenbanken, medizinische Artikel und Bücher, medizinische Gesundheitsakten, soziale Medien, Internet-Foren und Anleitungen (Text, Audio und Video).
System zum Testen eines Software-Systems, das System aufweisend einen Prozessor, einen für den Prozessor zugänglichen Speicher und in dem Speicher gespeicherte und von dem Prozessor ausführbare Computerprogrammanweisungen zum Durchführen des Folgenden: Erstellen oder Ergänzen einer Datenbank, die Informationen aufweist, die sich auf durch Arzneimittel behandelte Symptome beziehen, wobei die erhaltenen Informationen auf Daten beruhen, die sich auf eine Mehrzahl von Aspekten von Arzneimitteln und pharmazeutischen Verbindungen beziehen; Erstellen oder Ergänzen von semantischen Beziehungen auf dem Computersystem auf der Grundlage der Informationen in der Datenbank, die sich auf durch Arzneimittel behandelte Symptome beziehen, wobei die erstellten semantischen Beziehungen in Form eines semantischen Graphen dargestellt werden; Erlernen von neuen Beziehungen zwischen den semantischen Beziehungen in dem semantischen Graphen auf dem Computersystem unter Verwendung von Denoising-Autoencodern zum Verarbeiten des semantischen Graphen; und Erstellen von Vorhersagen, auf dem Computersystem, für die Arzneimittelforschung und Neupositionierung von Arzneimitteln, beruhend auf den semantischen Beziehungen, einschließlich der neu gefundenen Beziehungen.
System nach Anspruch 7, wobei die Datenbank erstellt oder ergänzt wird durch: Sammeln von Daten auf dem Computersystem, die eine Mehrzahl von Aspekten von Arzneimitteln und pharmazeutischen Verbindungen betreffen; Extrahieren von relevanten Begriffen aus den gesammelten Daten auf dem Computersystem; und Zuordnen der extrahierten relevanten Begriffe zu strukturierten medizinischen Begriffen auf dem Computersystem.
System nach Anspruch 8, wobei die semantischen Beziehungen erstellt oder ergänzt werden durch: Erstellen von semantischen Beziehungen auf dem Computersystem, die in Form eines semantischen Graphen dargestellt werden, beruhend auf den zugeordneten strukturierten medizinischen Begriffen.
System nach Anspruch 9, wobei der erstellte semantische Graph Knoten und Kanten zwischen den Knoten aufweist, wobei die Knoten Entitäten darstellen, die zumindest einige der Folgenden umfassen: Arzneimittel oder pharmazeutische Verbindungen, Krankheiten oder Leiden und Symptome, und die Kanten Beziehungen zwischen den Knoten darstellen, die eine Behandelt-Beziehung und zumindest einige der Folgenden umfassen: eine Verursacht-Nebenwirkung-Beziehung, eine Hat-Beziehung und eine Indiziert-Beziehung.
System nach Anspruch 10, wobei die Beziehungen zwischen den Knoten darüber hinaus eine Wahrscheinlichkeit für die Beziehung oder einen Punktwert für die Beziehung aufweisen.
System nach Anspruch 11, wobei die Daten, die eine Mehrzahl von Aspekten von Arzneimitteln und pharmazeutischen Verbindungen betreffen, zumindest einige der Folgenden aufweisen: strukturierte und unstrukturierte Daten aus textlichen und nicht-textlichen Quellen, darunter Audioquellen, Videoquellen, Arzneimittelbeschriftungen, medizinische und arzneimittelbezogene Datenbanken, medizinische Artikel und Bücher, medizinische Gesundheitsakten, soziale Medien, Internet-Foren und Anleitungen (Text, Audio und Video).
Computerprogrammprodukt zum Testen eines Software-Systems, das Computerprogrammprodukt aufweisend einen nichtflüchtigen, durch einen Computer lesbaren Speicher, in dem Programmanweisungen enthalten sind, wobei die Programmanweisungen durch einen Computer ausführbar sind, um den Computer zu veranlassen, ein Verfahren durchzuführen, das aufweist: Erstellen oder Ergänzen einer Datenbank, die Informationen aufweist, die sich auf durch Arzneimittel behandelte Symptome beziehen, wobei die erhaltenen Informationen auf Daten beruhen, die sich auf eine Mehrzahl von Aspekten von Arzneimitteln und pharmazeutischen Verbindungen beziehen; Erstellen oder Ergänzen von semantischen Beziehungen auf dem Computersystem auf der Grundlage der Informationen in der Datenbank, die sich auf durch Arzneimittel behandelte Symptome beziehen, wobei die erstellten semantischen Beziehungen in Form eines semantischen Graphen dargestellt werden; Erlernen von neuen Beziehungen zwischen den semantischen Beziehungen in dem semantischen Graphen auf dem Computersystem unter Verwendung von Denoising-Autoencodern zum Verarbeiten des semantischen Graphen; und Erstellen von Vorhersagen, auf dem Computersystem, für die Arzneimittelforschung und Neupositionierung von Arzneimitteln, beruhend auf den semantischen Beziehungen, einschließlich der neu gefundenen Beziehungen.
Computerprogrammprodukt nach Anspruch 13, wobei die Datenbank erstellt oder ergänzt wird durch: Sammeln von Daten auf dem Computersystem, die eine Mehrzahl von Aspekten von Arzneimitteln und pharmazeutischen Verbindungen betreffen; Extrahieren von relevanten Begriffen aus den gesammelten Daten auf dem Computersystem; und Zuordnen der extrahierten relevanten Begriffe zu strukturierten medizinischen Begriffen auf dem Computersystem.
Computerprogrammprodukt nach Anspruch 14, wobei die semantischen Beziehungen erstellt oder ergänzt werden durch: Erstellen von semantischen Beziehungen auf dem Computersystem, die in Form eines semantischen Graphen dargestellt werden, beruhend auf den zugeordneten strukturierten medizinischen Begriffen.
Computerprogrammprodukt nach Anspruch 15, wobei der erstellte semantische Graph Knoten und Kanten zwischen den Knoten aufweist, wobei die Knoten Entitäten darstellen, die zumindest einige der Folgenden umfassen: Arzneimittel oder pharmazeutische Verbindungen, Krankheiten oder Leiden und Symptome, und die Kanten Beziehungen zwischen den Knoten darstellen, die eine Behandelt-Beziehung und zumindest einige der Folgenden umfassen: eine Verursacht-Nebenwirkung-Beziehung, eine Hat-Beziehung und eine Indiziert-Beziehung.
Computerprogrammprodukt nach Anspruch 16, wobei die Beziehungen zwischen den Knoten darüber hinaus eine Wahrscheinlichkeit für die Beziehung oder einen Punktwert für die Beziehung aufweisen.
Computerprogrammprodukt nach Anspruch 17, wobei die Daten, die eine Mehrzahl von Aspekten von Arzneimitteln und pharmazeutischen Verbindungen betreffen, zumindest einige der Folgenden aufweisen: strukturierte und unstrukturierte Daten aus textlichen und nicht-textlichen Quellen, darunter Audioquellen, Videoquellen, Arzneimittelbeschriftungen, medizinische und arzneimittelbezogene Datenbanken, medizinische Artikel und Bücher, medizinische Gesundheitsakten, soziale Medien, Internet-Foren und Anleitungen (Text, Audio und Video).