論文の概要: Drug-Drug Interaction Prediction with Wasserstein Adversarial
Autoencoder-based Knowledge Graph Embeddings
- arxiv url: http://arxiv.org/abs/2004.07341v2
- Date: Fri, 16 Oct 2020 03:02:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 03:15:15.727272
- Title: Drug-Drug Interaction Prediction with Wasserstein Adversarial
Autoencoder-based Knowledge Graph Embeddings
- Title（参考訳）: Wasserstein Adversarial Autoencoder-based Knowledge Graph Embeddingsを用いた薬物と薬物の相互作用予測
- Authors: Yuanfei Dai, Chenhao Guo, Wenzhong Guo, Carsten Eickhoff
- Abstract要約: 薬物・薬物相互作用のための知識グラフ埋め込みフレームワークを提案する。
本フレームワークでは, 高品質な負のサンプルを生成するために, オートエンコーダを用いる。
判別器は、正三重項と負三重項の両方に基づいて薬物と相互作用の埋め込みを学習する。
- 参考スコア（独自算出の注目度）: 22.562175708415392
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Interaction between pharmacological agents can trigger unexpected adverse
events. Capturing richer and more comprehensive information about drug-drug
interactions (DDI) is one of the key tasks in public health and drug
development. Recently, several knowledge graph embedding approaches have
received increasing attention in the DDI domain due to their capability of
projecting drugs and interactions into a low-dimensional feature space for
predicting links and classifying triplets. However, existing methods only apply
a uniformly random mode to construct negative samples. As a consequence, these
samples are often too simplistic to train an effective model. In this paper, we
propose a new knowledge graph embedding framework by introducing adversarial
autoencoders (AAE) based on Wasserstein distances and Gumbel-Softmax relaxation
for drug-drug interactions tasks. In our framework, the autoencoder is employed
to generate high-quality negative samples and the hidden vector of the
autoencoder is regarded as a plausible drug candidate. Afterwards, the
discriminator learns the embeddings of drugs and interactions based on both
positive and negative triplets. Meanwhile, in order to solve vanishing gradient
problems on the discrete representation--an inherent flaw in traditional
generative models--we utilize the Gumbel-Softmax relaxation and the Wasserstein
distance to train the embedding model steadily. We empirically evaluate our
method on two tasks, link prediction and DDI classification. The experimental
results show that our framework can attain significant improvements and
noticeably outperform competitive baselines.
- Abstract（参考訳）: 薬理薬品間の相互作用は予期しない副作用を引き起こす可能性がある。
ドラッグ・ドラッグ・インタラクション(DDI)に関するよりリッチで包括的な情報を取得することは、公衆衛生と薬物開発において重要な課題である。
近年,薬物や相互作用を低次元の特徴空間に投影し,リンクの予測や三重項の分類を行う能力から,DDI領域における知識グラフの埋め込みアプローチが注目されている。
しかし、既存の手法では、負のサンプルを構成するのに一様ランダムモードのみを適用する。
その結果、これらのサンプルは、しばしば効果的なモデルを訓練するには単純すぎる。
本稿では、ワッサーシュタイン距離に基づく対向オートエンコーダ(AAE)を導入し、薬物・薬物相互作用タスクに対するGumbel-Softmax緩和による新しい知識グラフ埋め込みフレームワークを提案する。
本フレームワークでは, 高品質な陰性サンプルを生成するためにオートエンコーダを使用し, オートエンコーダの隠れベクターを有効な薬物候補とみなす。
その後、判別器は正三重項と負三重項の両方に基づいて薬物と相互作用の埋め込みを学習する。
一方、従来の生成モデルに固有の欠陥である離散表現の勾配問題を解消するために、Gumbel-Softmax緩和とWasserstein距離を用いて埋め込みモデルを着実に訓練する。
提案手法はリンク予測とddi分類の2つのタスクで実証的に評価した。
実験の結果,本フレームワークは著しい改善を達成でき,競合ベースラインを著しく上回ることができることがわかった。
関連論文リスト
- Graph Diffusion Network for Drug-Gene Prediction [38.00034058447254]
薬物遺伝子予測のためのグラフ拡散ネットワーク(GDNDGP)を提案する。
メタパスに基づく同種グラフ学習を用いて、薬物・薬物・遺伝子関係を捉える。
第2に、トレーニング中に強い負のサンプルを生成する並列拡散ネットワークを導入し、徹底的な負のサンプル検索の必要性を排除している。
論文 参考訳（メタデータ） (2025-02-13T13:54:58Z) - KITE-DDI: A Knowledge graph Integrated Transformer Model for accurately predicting Drug-Drug Interaction Events from Drug SMILES and Biomedical Knowledge Graph [0.11049608786515838]
薬物と薬物の相互作用(DDI)は、身体の損傷や死に至ることがある。
DDIイベントを予測するための現代の研究は、バイオメディカル知識グラフ(KG)または薬物SMILESの情報に依存する。
本研究では,エンドツーエンドの完全自動機械学習パイプラインを生成するために,KG統合トランスフォーマーアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-12-08T00:49:57Z) - Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。
回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
論文 参考訳（メタデータ） (2024-05-23T13:22:17Z) - Learning to Describe for Predicting Zero-shot Drug-Drug Interactions [54.172575323610175]
薬物と薬物の相互作用は同時投与の有効性を損なう可能性がある。
従来のDDI予測の計算手法では、知識不足のため、新しい薬物の相互作用を捉えることができない可能性がある。
言語モデルに基づくDDI予測器と強化学習(RL)に基づく情報セレクタを用いたテキストDDIを提案する。
論文 参考訳（メタデータ） (2024-03-13T09:42:46Z) - Causal Graph ODE: Continuous Treatment Effect Modeling in Multi-agent
Dynamical Systems [70.84976977950075]
実世界のマルチエージェントシステムは、しばしば動的で連続的であり、エージェントは時間とともにその軌道や相互作用を共進化させ、変化させる。
本稿では,グラフニューラルネットワーク(GNN)をODE関数として,エージェント間の連続的な相互作用をキャプチャする新しいモデルを提案する。
我々のモデルの主な革新は、治療の時間依存表現を学習し、ODE関数にそれらを組み込むことで、潜在的な結果の正確な予測を可能にすることである。
論文 参考訳（メタデータ） (2024-02-29T23:07:07Z) - DDIPrompt: Drug-Drug Interaction Event Prediction based on Graph Prompt Learning [15.69547371747469]
DDIPromptは、グラフプロンプト学習の最近の進歩に触発された革新的なソリューションである。
我々のフレームワークは、事前訓練されたモデルから本質的な知識を活用することで、これらの問題に対処することを目的としている。
2つのベンチマークデータセットに対する大規模な実験は、DDIPromptのSOTAパフォーマンスを示している。
論文 参考訳（メタデータ） (2024-02-18T06:22:01Z) - PGraphDTA: Improving Drug Target Interaction Prediction using Protein
Language Models and Contact Maps [4.590060921188914]
薬物発見の鍵となる側面は、新規な薬物標的相互作用(DT)の同定である。
タンパク質-リガンド相互作用は結合親和性として知られる結合強度の連続性を示す。
性能向上のための新しい改良を提案する。
論文 参考訳（メタデータ） (2023-10-06T05:00:25Z) - 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) - HyGNN: Drug-Drug Interaction Prediction via Hypergraph Neural Network [0.0]
薬物と薬物の相互作用(DDI)は薬物の機能を妨げる可能性があり、最悪の場合、薬物の副作用(ADR)を引き起こす可能性がある。
本稿では,DDI予測問題に対するSMILES文字列のみに基づく新しいハイパーグラフニューラルネットワーク(HyGNN)モデルを提案する。
提案したHyGNNモデルは, DDIを効果的に予測し, ROC-AUCとPR-AUCを97.9%, 98.1%で比較した。
論文 参考訳（メタデータ） (2022-06-25T22:48:27Z) - SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity
Prediction [127.43571146741984]
薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。
湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。
既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。
SSM-DTAフレームワークについて述べる。
論文 参考訳（メタデータ） (2022-06-20T14:53:25Z) - DrugOOD: Out-of-Distribution (OOD) Dataset Curator and Benchmark for
AI-aided Drug Discovery -- A Focus on Affinity Prediction Problems with Noise
Annotations [90.27736364704108]
我々は、AI支援薬物発見のための体系的なOODデータセットキュレーターおよびベンチマークであるTarmOODを提案する。
DrugOODには、ベンチマークプロセスを完全に自動化するオープンソースのPythonパッケージが付属している。
我々は、薬物標的結合親和性予測という、AIDDにおける最も重要な問題の1つに焦点を当てる。
論文 参考訳（メタデータ） (2022-01-24T12:32:48Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。