Fugu-MT 論文翻訳(概要): Prediction of Drug Synergy by Ensemble Learning

論文の概要: Prediction of Drug Synergy by Ensemble Learning

arxiv url: http://arxiv.org/abs/2001.01997v1
Date: Tue, 7 Jan 2020 12:21:37 GMT
ステータス: 処理完了
システム内更新日: 2023-01-13 20:36:59.063892
Title: Prediction of Drug Synergy by Ensemble Learning
Title（参考訳）: アンサンブル学習による薬物シナジーの予測
Authors: I\c{s}{\i}ksu Ek\c{s}io\u{g}lu, Mehmet Tan
Abstract要約: 薬物相乗効果の予測における異なる化合物表現の有効性について検討した。大規模な薬物併用画面データセットにおいて、この問題に未使用の有望な表現の使用を最初に示す。次に、各ベースラインモデルより優れた表現モデルの組み合わせについてアンサンブルを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: One of the promising methods for the treatment of complex diseases such as cancer is combinational therapy. Due to the combinatorial complexity, machine learning models can be useful in this field, where significant improvements have recently been achieved in determination of synergistic combinations. In this study, we investigate the effectiveness of different compound representations in predicting the drug synergy. On a large drug combination screen dataset, we first demonstrate the use of a promising representation that has not been used for this problem before, then we propose an ensemble on representation-model combinations that outperform each of the baseline models.
Abstract（参考訳）: 癌などの複雑な疾患を治療するための有望な方法の1つは、組み合わせ療法である。組合せ複雑性のため、機械学習モデルはこの分野で有用であり、近年、相乗的組み合わせの決定において重要な改善がなされている。本研究では,薬物相乗効果の予測における異なる化合物表現の有効性について検討した。大規模ドラッグコンバインドスクリーンデータセットにおいて,我々はまず,この問題に使用されていない有望な表現の使用を実演し,その後,各ベースラインモデルに匹敵する表現モデルとモデルの組み合わせに関するアンサンブルを提案する。

関連論文リスト

Dynamic Post-Hoc Neural Ensemblers [55.15643209328513]
本研究では,ニューラルネットワークをアンサンブル手法として活用することを検討する。低多様性のアンサンブルを学習するリスクを動機として,ベースモデル予測をランダムにドロップすることでモデルの正規化を提案する。このアプローチはアンサンブル内の多様性を低くし、オーバーフィッティングを減らし、一般化能力を向上させる。
論文参考訳（メタデータ） (2024-10-06T15:25:39Z)
Benchmark on Drug Target Interaction Modeling from a Structure Perspective [48.60648369785105]
薬物と標的の相互作用の予測は、薬物の発見と設計に不可欠である。グラフニューラルネットワーク(GNN)やトランスフォーマーに基づく最近の手法は、さまざまなデータセットで例外的なパフォーマンスを示している。我々は,GNNベースと暗黙的(トランスフォーマーベース)構造学習アルゴリズムを多用することにより,構造の観点からの薬物-標的相互作用モデリングの総合的な調査とベンチマークを行う。
論文参考訳（メタデータ） (2024-07-04T16:56:59Z)
ALNSynergy: a graph convolutional network with multi-representation alignment for drug synergy prediction [8.316187397380244]
薬物の組み合わせは、特定の疾患を同時に治療するための2つ以上の薬物の使用を指す。本研究では,薬物相乗効果を予測するための多表現アライメントを備えたグラフ畳み込みネットワークであるALNSynergyを提案する。
論文参考訳（メタデータ） (2023-11-27T15:34:14Z)
Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文参考訳（メタデータ） (2023-01-14T15:07:43Z)
RECOVER: sequential model optimization platform for combination drug repurposing identifies novel synergistic compounds in vitro [46.773794687622825]
深層学習モデルに適用した逐次モデル最適化探索を用いて,がん細胞株に対して高い相乗効果を持つ薬物の組み合わせを迅速に発見する。モデルによりクエリされた組み合わせの集合は、非常にシナジスティックな組み合わせに富んでいることがわかった。臨床的に検討中であることが判明した相乗効果薬の併用が再発見された。
論文参考訳（メタデータ） (2022-02-07T02:54:29Z)
A Unified View of Relational Deep Learning for Polypharmacy Side Effect, Combination Synergy, and Drug-Drug Interaction Prediction [6.214548392474976]
近年,多薬品副作用の同定,薬物・薬物相互作用予測,併用療法設計の課題を解決しようとする機械学習モデルが数多く提案されている。本稿では,これらの課題に対処可能な関係機械学習モデルについて,統一的な理論的考察を行う。
論文参考訳（メタデータ） (2021-11-04T14:48:48Z)
Learning-based Computer-aided Prescription Model for Parkinson's Disease: A Data-driven Perspective [61.70045118068213]
我々は、PD患者の症状と、神経科医が提供した処方薬を収集し、データセットを構築した。そこで我々は、観察された症状と処方薬との関係を学習し、新しいコンピュータ支援処方薬モデルを構築した。新来の患者に対しては、処方薬モデルにより、観察された症状に対して適切な処方薬を推奨できる(予測)。
論文参考訳（メタデータ） (2020-07-31T14:34:35Z)
Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug Response [49.86828302591469]
本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
論文参考訳（メタデータ） (2020-05-13T20:29:48Z)
A Node Embedding Framework for Integration of Similarity-based Drug Combination Prediction [7.4517333921953215]
我々は,合成薬物の組み合わせを予測するために,NEMNのネットワーク埋め込みフレームワークを提案する。マルチプレックスドラッグ類似性ネットワークに基づいて,異なる側面から有用な情報を統合するための代替手法を提案する。薬物併用予測では, 外部情報源で検証した新薬を7種類検出した。
論文参考訳（メタデータ） (2020-02-25T02:24:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。