Polypharmacy Side Effect Prediction with Graph Convolutional Neural Network based on Heterogeneous Structural and Biological Data = Predicción de efectos secundarios causados por tratamientos de múltiples medicamentos usando redes neuronales convolucionales en grafos y datos biológicos, estructurales y heterogéneos

Abstract: The prediction of polypharmacy side effects is crucial to reduce the mortality and morbidity of patients suffering from complex diseases. However, its experimental prediction is unfeasible due to the many possible drug combinations, leaving in silico tools as the most promising way of addressing this problem. This thesis improves the performance and robustness of a state-of-the-art graph convolutional network designed to predict polypharmacy side effects, by feeding it with complexity properties of the drug-protein network. The modifications also involve the creation of a direct pipeline to reproduce the results and test it with different datasets. Resumen: La predicción de los efectos secundarios en tratamientos con múltiples medicamentos es fundamental para reducir la mortalidad y la morbilidad de los pacientes que padecen enfermedades complejas. Sin embargo, su predicción experimental es inviable debido a las múltiples combinaciones posibles de fármacos, dejando las herramientas computacionales como la forma más prometedora de abordar este problema. Esta tesis mejora el rendimiento y la solidez de una red convolucional en grafos de última generación diseñada para predecir los efectos secundarios estos tratamientos, al alimentarla con propiedades de complejidad de la red fármaco-proteína. Las modificaciones también implican la creación de una canalización directa para reproducir los resultados y probarlos con diferentes conjuntos de datos