En el ámbito de la farmacología, la predicción de interacciones medicamentosas es crucial para garantizar tratamientos seguros y efectivos. Para mejorar esta predicción, se ha desarrollado un nuevo enfoque basado en una red de Arnold-Kolmogorov de gráficos multimodales, denominada MGKAN.
MGKAN introduce funciones base aprendibles en la predicción asimétrica de interacciones medicamentosas, permitiendo un modelado más expresivo y no lineal de las relaciones entre fármacos. Esta innovadora red reemplaza las transformaciones MLP convencionales con funciones base impulsadas por KAN, lo que amplía su capacidad de capturar patrones no lineales y heterogéneos.
Para capturar las dependencias farmacológicas, MGKAN integra tres vistas de red diferentes: una red de interacciones medicamentosas asimétricas, una red de co-interacciones y una red de similitud bioquímica. Además, utiliza incrustaciones específicas de roles para preservar la semántica direccional. Un módulo de fusión combina atención lineal y transformación no lineal para mejorar la capacidad representativa del modelo.
En comparación con siete modelos de referencia, MGKAN ha demostrado superarlos en la predicción de interacciones medicamentosas. Estudios de abstracción y casos prácticos han confirmado su precisión predictiva y efectividad en modelar los efectos direccional de los fármacos.
En Q2BSTUDIO, empresa especializada en desarrollo de software a medida, inteligencia artificial y servicios cloud, estamos comprometidos con la innovación y la excelencia en la tecnología. Si deseas conocer más sobre nuestras soluciones, te invitamos a visitar nuestra página de desarrollo de aplicaciones a medida.
Descubre más sobre nuestras aplicaciones a medida aquí.
