Fugu-MT 論文翻訳(概要): Tri-graph Information Propagation for Polypharmacy Side Effect Prediction

論文の概要: Tri-graph Information Propagation for Polypharmacy Side Effect Prediction

arxiv url: http://arxiv.org/abs/2001.10516v1
Date: Tue, 28 Jan 2020 18:39:11 GMT
ステータス: 処理完了
システム内更新日: 2023-01-06 02:16:25.869237
Title: Tri-graph Information Propagation for Polypharmacy Side Effect Prediction
Title（参考訳）: 薬局側効果予測のためのトリグラフ情報伝搬
Authors: Hao Xu, Shengqi Sang and Haiping Lu
Abstract要約: 薬物およびタンパク質のグラフ上でのリンク予測問題としてPOSE予測を定式化し,グラフ畳み込みネットワーク(GCN)を用いて解いた最近の手法本稿では,タンパク質-タンパク質グラフからタンパク質-ドラッググラフによる薬物-ドラッググラフへの伝播により,3つのサブグラフで表現を漸進的に学習する柔軟なトリグラフ情報伝達モデルを提案する。
参考スコア（独自算出の注目度）: 7.418922979780089
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The use of drug combinations often leads to polypharmacy side effects (POSE). A recent method formulates POSE prediction as a link prediction problem on a graph of drugs and proteins, and solves it with Graph Convolutional Networks (GCNs). However, due to the complex relationships in POSE, this method has high computational cost and memory demand. This paper proposes a flexible Tri-graph Information Propagation (TIP) model that operates on three subgraphs to learn representations progressively by propagation from protein-protein graph to drug-drug graph via protein-drug graph. Experiments show that TIP improves accuracy by 7%+, time efficiency by 83$\times$, and space efficiency by 3$\times$.
Abstract（参考訳）: 薬物の組み合わせは多剤副作用(POSE)を引き起こすことが多い。近年,薬物やタンパク質のグラフ上でのリンク予測問題としてPOSE予測を定式化し,グラフ畳み込みネットワーク(GCN)を用いて解いた。しかし,ポーズの複雑な関係から計算コストが高く,メモリ需要も高い。本稿では,タンパク質-タンパク質グラフからタンパク質-ドラッググラフによる薬物-ドラッググラフへの伝播により,3つのサブグラフで表現を段階的に学習する,柔軟なTIPモデルを提案する。実験の結果、TIPは精度を7%以上向上し、時間効率は83ドル\times$、空間効率は3ドル\times$である。

関連論文リスト

GraphPrint: Extracting Features from 3D Protein Structure for Drug Target Affinity Prediction [2.0668277618112207]
薬物標的親和性予測のための3Dタンパク質構造特徴を組み込むためのフレームワークであるGraphPrintを提案する。本モデルでは,平均平方誤差0.1378,一致指数0.8929をKIBAデータセット上で達成する。我々のアブレーション研究は、3Dタンパク質の構造に基づく特徴が従来の特徴と相補的な情報を提供することを示している。
論文参考訳（メタデータ） (2024-07-15T05:45:09Z)
Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
論文参考訳（メタデータ） (2023-10-23T01:25:44Z)
Automated 3D Pre-Training for Molecular Property Prediction [54.15788181794094]
新たな3D事前学習フレームワーク(3D PGT)を提案する。 3D分子グラフのモデルを事前訓練し、3D構造のない分子グラフに微調整する。提案した3次元PGTの精度, 効率, 一般化能力を示すために, 2次元分子グラフの大規模実験を行った。
論文参考訳（メタデータ） (2023-06-13T14:43:13Z)
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)
GraphIX: Graph-based In silico XAI(explainable artificial intelligence) for drug repositioning from biopharmaceutical network [1.4174475093445233]
GraphIXは、生物学的ネットワークを用いた説明可能な薬物再配置フレームワークである。新規の病原体関連因子を提示し、その薬理学的効果を理解する上で重要なタンパク質を同定することができる。
論文参考訳（メタデータ） (2022-12-21T06:17:45Z)
A Deep Learning Approach to the Prediction of Drug Side-Effects on Molecular Graphs [2.4087148947930634]
グラフニューラルネットワークを用いて薬物副作用を予測する手法を開発した。私たちは、自由にアクセス可能で、確立されたデータソースからデータセットを構築します。その結果,本手法は,多くのパラメータや指標の下で,分類能力の向上を図っている。
論文参考訳（メタデータ） (2022-11-30T10:12:41Z)
Skeleton-Parted Graph Scattering Networks for 3D Human Motion Prediction [120.08257447708503]
体-関節関係をモデル化するグラフ畳み込みネットワークに基づく手法は,最近3次元骨格に基づく人間の動作予測において大きな可能性を示唆している。骨格分割グラフ散乱ネットワーク(SPGSN)を提案する。 SPGSNは、Human3.6M、CMU Mocap、および3DPWデータセット上で、関節位置誤差(MPJPE)当たりの3D平均の13.8%、9.3%、および2.7%の差で最先端の手法を上回っている。
論文参考訳（メタデータ） (2022-07-31T05:51:39Z)
Graph Condensation via Receptive Field Distribution Matching [61.71711656856704]
本稿では,元のグラフを表す小さなグラフの作成に焦点をあてる。我々は、元のグラフを受容体の分布とみなし、受容体が同様の分布を持つ小さなグラフを合成することを目的としている。
論文参考訳（メタデータ） (2022-06-28T02:10:05Z)
Graph-in-Graph (GiG): Learning interpretable latent graphs in non-Euclidean domain for biological and healthcare applications [52.65389473899139]
グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
論文参考訳（メタデータ） (2022-04-01T10:01:37Z)
Demystifying Drug Repurposing Domain Comprehension with Knowledge Graph Embedding [0.058720142291102125]
医薬品のリサイクルは、医薬品開発コストの上昇と、新興疾患への迅速な対応の必要性により、これまで以上に重要になっている。知識グラフの埋め込みにより、異種データソースと最先端の機械学習モデルを組み合わせることで、薬物の再利用が可能になる。薬物再資源化のための機械学習モデルのより良い結果を理解するための構造化手法を提案する。
論文参考訳（メタデータ） (2021-08-30T08:16:02Z)
GEFA: Early Fusion Approach in Drug-Target Affinity Prediction [28.695523040015164]
本稿では,結合効果により対象表現の変化に対処するアテンション機構を備えた新しいグラフイングラフニューラルネットワークを提案する。薬物は原子のグラフとしてモデル化され、残基-ドラッグ複合体の大きなグラフのノードとして機能する。また、文脈化されたタンパク質表現を学習する最近の取り組みにより、事前訓練されたタンパク質表現を使用する。
論文参考訳（メタデータ） (2020-09-25T11:54:15Z)

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。