Optimización y evaluación de Graph Neural Networks para la predicción de efectos secundarios en el conjunto de datos ogbl-ddi

Resumen

Este trabajo se centra en las Graph Neural Networks (GNN), una clase de redes neuronales capaces de modelar eficazmente problemas cuya estructura subyacente se representa como un grafo. En este estudio, se aplican las GNN al descubrimiento de efectos secundarios de medicamentos utilizando el conjunto de datos ogbl-ddi. Para ello, se realiza una exhaustiva revisión del estado del arte, implementando las mejores variantes y las técnicas más avanzadas en predicción de aristas. Además, se emplean técnicas de vanguardia durante el entrenamiento, como la optimización bayesiana para la búsqueda de hiperparámetros. Finalmente, se analiza en profundidad el comportamiento de la métrica Hits@K y se proponen nuevas líneas de investigación basadas en las conclusiones obtenidas.

ABSTRACT

This work focuses on Graph Neural Networks (GNN), a class of neural networks capable of effectively modeling problems whose underlying structure is represented as a graph. In this study, GNN are applied to the discovery of drug side effects using the ogbl-ddi dataset. A comprehensive review of the state of the art is conducted, implementing the best variants and the latest techniques in edge prediction. Additionally, cutting-edge techniques such as Bayesian optimization for hyperparameter tuning are employed during training. Finally, the behavior of the Hits@K metric is thoroughly analyzed, and new research directions are proposed based on the conclusions drawn.