Graph Neural Networks and Explainability: Applications in Biomedicine

Repository ufficiale del corso DLI di Graph Neural Networks and Explainability: Applications in Biomedicine.

Per iniziare

La repository contiente un file environment.yml con tutti i pacchetti necessari per far funzionare i nootebook delle lezioni. Avendo Anaconda installato sul proprio computer, è possibile create un environment dal file. Aprite il file e modificate il parametro prefix con il percorso nel quale sono salvati i vostri enrivornment e lanciate da terminale:

conda env create -f environment.yml

Quando tutti i pacchetti saranno stati installati, attivate l'environment:

conda activate GNN_XAI_Biomedicine_env

Il nome di default dell'environment (GNN_XAI_Biomedicine_env) può essere modificato a piacimento.

Ora installate altri pacchetti necessari utilizzando pip:

pip install pysmiles
pip install torch_scatter torch_cluster -f https://data.pyg.org/whl/torch-2.2.0+cu121.html
pip install torchdrug

Poi, installate questo modulo che servirà per alcune funzioni di visualizzazione.

Contenuto

La repository contiene 6 notebook Python che seguondo le lezioni presentate nel corso. In particolare:

1. 1-gene_disease_associations_via_GNNs.ipynb: definizione, training e utilizzo di una graph neural network per la task di disease gene association discovery utilizzando una protein-protein interaction (PPI) network.
2. compound_activity_prediction_via_GNNs.ipynb: definizione, training e utlizzo di una graph neural network per la task di compound activity predicion utilizzando dati molecolari.
3. 3-protein_ligand_affinity_prediction_via_GNN.ipynb: definizione, training e utilizzo di una graph neural network per la task di compound potency predicion utilizzando protein-ligand interaction graphs.
4. 4-explaining_gene_disease_prioritization.ipynb: utilizzo di XAI per spiegare le predizioni della graph neural network utlizzata per disease gene association discovery.
5. 5-explaining_compound_activity_predictions.ipynb: utilizzo di XAI per spiegare le predizioni della graph neural network utlizzata per compound activity predicion.
6. 6-explaining_compound_potency_predictions.ipynb: utilizzo di XAI per spiegare le predizioni della graph neural network utlizzata per compound potency predicion.

Docente

Mi chiamo Andrea Mastropietro, sono un ingegnere informatico, data scientist e ricercatore in biomedical artificial intelligence. Sono laureato in Ingegneria Informatica e Automatica (triennale) alla Sapienza e Engineering in Computer Science (magistrale) nella stessa università. La passione per la ricerca e per l’impatto che essa può avere mi ha portato a conseguire un dottorato in Data Science con una tesi dal titolo “Toward Explainable Biomedical Deep Learning – Training and Explaining Neural Networks in Bioinformatics and Medicinal Chemistry”. Durante il mio dottorato, ho svolto un periodo di ricerca all’Università di Bonn in Germania. La mia attività di ricerca si basa sull’applicazione dell’intelligenza artificiale, in particolare del deep learning, in ambito biomedico, bioinformatico e chemoinformatico, con un focus particolare sullo sviluppo ed utilizzo di tecniche di explainable artificial intelligence (XAI), per aprire la “black box” di questi sistemi e renderli più utilizzabili in biomedicina.

Contatti e links