論文の概要: DeepPurpose: a Deep Learning Library for Drug-Target Interaction Prediction

• arxiv url: http://arxiv.org/abs/2004.08919v3
• Date: Wed, 9 Dec 2020 23:14:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-11 23:55:07.036342
• Title: DeepPurpose: a Deep Learning Library for Drug-Target Interaction Prediction
• Title（参考訳）: DeepPurpose:ドラッグ・ターゲット相互作用予測のためのディープラーニングライブラリ
• Authors: Kexin Huang, Tianfan Fu, Lucas Glass, Marinka Zitnik, Cao Xiao, Jimeng Sun
• Abstract要約: DeepPurposeは、DTI予測のための包括的で使いやすいディープラーニングライブラリである。 15の複合およびタンパク質エンコーダと50以上のニューラルアーキテクチャを実装することで、カスタマイズされたDTI予測モデルのトレーニングをサポートする。 複数のベンチマークデータセット上でDeepPurposeの最先端性能を示す。
• 参考スコア（独自算出の注目度）: 69.7424023336611
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate prediction of drug-target interactions (DTI) is crucial for drug discovery. Recently, deep learning (DL) models for show promising performance for DTI prediction. However, these models can be difficult to use for both computer scientists entering the biomedical field and bioinformaticians with limited DL experience. We present DeepPurpose, a comprehensive and easy-to-use deep learning library for DTI prediction. DeepPurpose supports training of customized DTI prediction models by implementing 15 compound and protein encoders and over 50 neural architectures, along with providing many other useful features. We demonstrate state-of-the-art performance of DeepPurpose on several benchmark datasets.
• Abstract（参考訳）: 薬物-標的相互作用(DTI)の正確な予測は、薬物発見に不可欠である。 近年,DTI予測に期待できる性能を示すためのディープラーニング(DL)モデルが提案されている。 しかし、これらのモデルは、生物医学分野に参入するコンピュータ科学者と、dl経験に乏しいバイオインフォマティクス研究者の両方にとって、利用が困難である。 DTI予測のための包括的で使いやすいディープラーニングライブラリであるDeepPurposeを提案する。 deeppurposeは15の複合およびタンパク質エンコーダと50以上のニューラルアーキテクチャを実装し、他の多くの有用な機能を提供することで、カスタマイズされたdti予測モデルのトレーニングをサポートする。 複数のベンチマークデータセット上でDeepPurposeの最先端性能を示す。

関連論文リスト

• A Heterogeneous Network-based Contrastive Learning Approach for Predicting Drug-Target Interaction [3.1923357295923225]
  薬物と標的の相互作用(DTI)の予測は、薬物開発と再配置に不可欠である。 HNCL-DTIと呼ばれる異種ネットワークに基づくコントラスト学習手法を提案する。 実験結果から,HNCL-DTIはベンチマークデータセット上で既存の高度なベースライン手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-10-20T14:57:24Z)
• 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)
• SEMPAI: a Self-Enhancing Multi-Photon Artificial Intelligence for prior-informed assessment of muscle function and pathology [48.54269377408277]
  本稿では,仮説駆動型先行処理をデータ駆動型ディープラーニングアプローチに統合した,SEMPAI(Self-Enhancing Multi-Photon Artificial Intelligence)を紹介する。 SEMPAIは、小さなデータセットの予測を可能にするために、いくつかのタスクを共同で学習する。 SEMPAIは、少ないデータを含む7つの予測タスクのうち6つにおいて、最先端のバイオマーカーよりも優れています。
  論文  参考訳（メタデータ） (2022-10-28T17:03:04Z)
• A Methodology for the Prediction of Drug Target Interaction using CDK Descriptors [0.0]
  薬物の分子構造と標的タンパク質の配列に基づくDTI予測モデルを提案する。 提案モデルでは,CDKディスクリプタ,MACCS指紋,Electrotopological State (Estate) fingerprint,およびターゲットのアミノ酸配列を用いてPseudo Amino acid composition (PseAAC) を得る。
  論文  参考訳（メタデータ） (2022-10-20T09:25:14Z)
• HampDTI: a heterogeneous graph automatic meta-path learning method for drug-target interaction prediction [4.499861098235355]
  異種グラフ自動メタパス学習に基づくDTI予測法(HampDTI)を提案する。 HampDTIは、薬物と標的の間の重要なメタパスをHNから自動的に学習し、メタパスグラフを生成する。 ベンチマークデータを用いた実験により,提案したHampDTIは最先端のDTI予測手法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2021-12-16T02:12:03Z)
• Drug-Target Interaction Prediction with Graph Attention networks [26.40249934284416]
  DTI予測のためのエンドツーエンドフレームワークであるDTI-GAT(Drug-Target Interaction Prediction with Graph Attention Network)を提案する。 DTI-GATは、注目機構を備えたグラフ構造化データで動作するディープネットワークニューラルアーキテクチャを組み込んでいる。 実験により、DTI-GATはバイナリDTI予測問題において、様々な最先端システムより優れていることが示された。
  論文  参考訳（メタデータ） (2021-07-10T07:06:36Z)
• Toward Robust Drug-Target Interaction Prediction via Ensemble Modeling and Transfer Learning [0.0]
  本稿では,DTI予測のための深層学習モデル(EnsembleDLM)のアンサンブルを紹介する。 EnsembleDLMは、化学物質やタンパク質の配列情報のみを使用し、複数のディープニューラルネットワークからの予測を集約する。 DavisとKIBAのデータセットで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-07-02T04:00:03Z)
• SumGNN: Multi-typed Drug Interaction Prediction via Efficient Knowledge Graph Summarization [64.56399911605286]
  本稿では,サブグラフ抽出モジュールによって実現された知識要約グラフニューラルネットワークSumGNNを提案する。 SumGNNは5.54%まで最高のベースラインを上回り、データ関係の低いタイプでは特にパフォーマンスの向上が顕著である。
  論文  参考訳（メタデータ） (2020-10-04T00:14:57Z)
• MolTrans: Molecular Interaction Transformer for Drug Target Interaction Prediction [68.5766865583049]
  薬物標的相互作用(DTI)予測は、シリコ薬物発見の基本的な課題である。 近年、DTI予測におけるディープラーニングの進歩が期待されている。 これらの制約に対処する分子間相互作用変換器(TransMol)を提案する。
  論文  参考訳（メタデータ） (2020-04-23T18:56:04Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)

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。