論文の概要: Multi-View Self-Attention for Interpretable Drug-Target Interaction Prediction

• arxiv url: http://arxiv.org/abs/2005.00397v2
• Date: Sun, 23 Aug 2020 14:49:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 23:09:09.473960
• Title: Multi-View Self-Attention for Interpretable Drug-Target Interaction Prediction
• Title（参考訳）: 解釈可能な薬物・標的相互作用予測のための多視点セルフアテンション
• Authors: Brighter Agyemang and Wei-Ping Wu and Michael Yelpengne Kpiebaareh and Zhihua Lei and Ebenezer Nanor and Lei Chen
• Abstract要約: 機械学習のアプローチでは、分子の数値表現がモデルの性能に欠かせない。 薬物と標的の相互作用をモデル化するための自己注意に基づく多視点表現学習手法を提案する。
• 参考スコア（独自算出の注目度）: 4.307720252429733
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The drug discovery stage is a vital aspect of the drug development process and forms part of the initial stages of the development pipeline. In recent times, machine learning-based methods are actively being used to model drug-target interactions for rational drug discovery due to the successful application of these methods in other domains. In machine learning approaches, the numerical representation of molecules is critical to the performance of the model. While significant progress has been made in molecular representation engineering, this has resulted in several descriptors for both targets and compounds. Also, the interpretability of model predictions is a vital feature that could have several pharmacological applications. In this study, we propose a self-attention-based multi-view representation learning approach for modeling drug-target interactions. We evaluated our approach using three benchmark kinase datasets and compared the proposed method to some baseline models. Our experimental results demonstrate the ability of our method to achieve competitive prediction performance and offer biologically plausible drug-target interaction interpretations.
• Abstract（参考訳）: 薬物発見段階は、医薬品開発プロセスの重要な側面であり、開発パイプラインの初期段階の一部を形成する。 近年では、これらの手法を他の領域に応用することで、合理的な薬物発見のための薬物標的相互作用のモデル化に機械学習ベースの手法が積極的に用いられている。 機械学習のアプローチでは、分子の数値表現がモデルの性能に不可欠である。 分子表現工学において大きな進歩があったが、これは標的と化合物の両方にいくつかの記述子をもたらした。 また、モデル予測の解釈性は、いくつかの薬理学的応用をもたらす重要な特徴である。 本研究では,薬物-標的相互作用をモデル化するための自己注意に基づく多視点表現学習手法を提案する。 3つのベンチマークキナーゼデータセットを用いてアプローチを評価し,提案手法をベースラインモデルと比較した。 実験結果から,本手法が競合予測性能を実現し,生物学的に妥当な薬物-標的相互作用の解釈を提供することを示す。

関連論文リスト

• 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)
• Discovering intrinsic multi-compartment pharmacometric models using Physics Informed Neural Networks [0.0]
  我々は、純粋にデータ駆動型ニューラルネットワークモデルであるPKINNを紹介する。 PKINNは、本質的なマルチコンパートメントベースの薬理学構造を効率的に発見し、モデル化する。 得られたモデルは、シンボリック回帰法によって解釈可能であり、説明可能である。
  論文  参考訳（メタデータ） (2024-04-30T19:31:31Z)
• Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
  AIによる薬物発見の大きな課題は、高品質なデータの不足である。 薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。 実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
  論文  参考訳（メタデータ） (2024-04-16T07:42:55Z)
• 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)
• A biologically-inspired evaluation of molecular generative machine learning [17.623886600638716]
  分子生成モデル評価のためのバイオインスパイアされた新しいベンチマークを提案する。 本稿では, 創出出力評価のための相補的手法として, レクリエーション指標, 薬物-標的親和性予測, 分子ドッキングを提案する。
  論文  参考訳（メタデータ） (2022-08-20T11:01:10Z)
• 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)
• Associative Learning Mechanism for Drug-Target Interaction Prediction [6.107658437700639]
  薬物-標的親和性(DTA)は薬物-標的相互作用(DTI)の強さを表す 従来の手法では、DTA予測プロセスの解釈可能性に欠けていた。 本稿では,対話型学習と自動エンコーダ機構を備えたDTA予測手法を提案する。
  論文  参考訳（メタデータ） (2022-05-24T14:25:28Z)
• 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)
• Improved Drug-target Interaction Prediction with Intermolecular Graph Transformer [98.8319016075089]
  本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。 分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。 IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
  論文  参考訳（メタデータ） (2021-10-14T13:28:02Z)
• Graph2MDA: a multi-modal variational graph embedding model for predicting microbe-drug associations [7.149873402253933]
  微生物は抗菌剤の開発に新たな標的となっている。 微生物と薬物の関連性のスクリーニングは、薬物の研究と開発に大きな利益をもたらす。 微生物と薬物の関連性を予測する新しい方法であるGraph2MDAを提案する。
  論文  参考訳（メタデータ） (2021-08-14T07:33:05Z)
• Multi-Agent Imitation Learning with Copulas [102.27052968901894]
  マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。 本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。 提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
  論文  参考訳（メタデータ） (2021-07-10T03:49:41Z)

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。