Vitiligo Relational GNN

Исследовательская модель от The Vitiligo Initiative: гетерогенная мультиреляционная GNN RGAT-4H с асимметричным ComplEx-декодером и Stage-2 Wide-and-Deep реранкером. Ищет disease-modifying кандидатов и механистически ортогональные комбинации для терапии витилиго. Граф знаний: 18 730 сущностей и 96 073 связи.

🔤 Ключевые особенности

• ➕ Узлы графа объединяют 768-мерные текстовые эмбеддинги BiomedBERT, 1024-мерные ECFP4-фингерпринты, белковые домены и транскриптомно-генетические признаки из 18 GEO-серий.
• ➕ Stage 1: 4-головый relational graph attention и ComplEx-декодер в C^64; сообщения взвешены по иерархии доказательств — от RCT до литературы.
• ➕ Stage 2: cross-encoder 1172D → 32D → 1D переранжирует кандидатов по профилям TRM-разоружения, регенерации McSC и подавления барьера PDE4B.
• ➕ В карточке есть top-20 кандидатов и 10 ортогональных комбинаций; например, руксолитиниб + рофлумиласт.
• ➕ Чекпоинты relational_gnn.pt и dense_reranker.pt, MIT License.

1⃣ Пример

from vitiligo.gnn.dataset import load_graph_dataset
from vitiligo.gnn.train import load_trained_gnn
from vitiligo.gnn.rerank import rerank_curative_candidates

dataset = load_graph_dataset()
model = load_trained_gnn("relational_gnn.pt")
reranked = rerank_curative_candidates(gnn_model=model, dataset=dataset, top_stage1=80, top_final=20)
print(reranked["top_candidates"][0])

Подробнее

Stage 1: global filtered MRR 0.1156; для TREATS MRR 0.5662 и Hits@1 54.4%; для INVESTIGATES MRR 0.9944.
Stage 2: 5-fold OOF AUROC 0.9490, accuracy 85.7%.
VRAM и требования к железу в карточке не указаны; это исследовательский инструмент, не клиническое руководство.
Обучение Stage 1: SGD, batch_size=8192, балансировка частот связей и self-adversarial negative sampling; Stage 2 — L2=0.15.