論文の概要: Accelerating drug repurposing for COVID-19 via modeling drug mechanism
of action with large scale gene-expression profiles
- arxiv url: http://arxiv.org/abs/2005.07567v2
- Date: Tue, 5 Oct 2021 15:31:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 23:44:56.866583
- Title: Accelerating drug repurposing for COVID-19 via modeling drug mechanism
of action with large scale gene-expression profiles
- Title（参考訳）: 大規模遺伝子発現プロファイルを用いた薬物動態のモデリングによるCOVID-19薬物再資源化の促進
- Authors: Lu Han, G.C. Shan, B.F. Chu, H.Y. Wang, Z.J. Wang, S.Q. Gao, W.X. Zhou
- Abstract要約: 新型コロナウイルス(COVID-19)は2019年12月に中国で流行し、世界中で急速に広まっている。
表現型データに基づく薬物使用の特定方法の開発は、薬物開発効率を向上させることができる。
この研究は、LINCSプログラムで生成された1024種類の薬物の細胞像の特徴に基づいて、薬物の使用を識別する最先端の機械学習手法を報告した。
- 参考スコア（独自算出の注目度）: 2.524526956420465
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The novel coronavirus disease, named COVID-19, emerged in China in December
2019, and has rapidly spread around the world. It is clearly urgent to fight
COVID-19 at global scale. The development of methods for identifying drug uses
based on phenotypic data can improve the efficiency of drug development.
However, there are still many difficulties in identifying drug applications
based on cell picture data. This work reported one state-of-the-art machine
learning method to identify drug uses based on the cell image features of 1024
drugs generated in the LINCS program. Because the multi-dimensional features of
the image are affected by non-experimental factors, the characteristics of
similar drugs vary greatly, and the current sample number is not enough to use
deep learning and other methods are used for learning optimization. As a
consequence, this study is based on the supervised ITML algorithm to convert
the characteristics of drugs. The results show that the characteristics of ITML
conversion are more conducive to the recognition of drug functions. The
analysis of feature conversion shows that different features play important
roles in identifying different drug functions. For the current COVID-19,
Chloroquine and Hydroxychloroquine achieve antiviral effects by inhibiting
endocytosis, etc., and were classified to the same community. And Clomiphene in
the same community inibited the entry of Ebola Virus, indicated a similar MoAs
that could be reflected by cell image.
- Abstract（参考訳）: 新型コロナウイルス(COVID-19)は2019年12月に中国で流行し、世界中で急速に広まっている。
世界的な規模でcovid-19と戦うことは、明らかに緊急である。
表現型データに基づく薬物使用の特定方法の開発は、薬物開発効率を向上させることができる。
しかし, 細胞画像データに基づく薬物応用の同定には依然として多くの困難がある。
この研究は、LINCSプログラムで生成された1024種類の薬物の細胞像の特徴に基づいて、薬物の使用を識別する最先端の機械学習手法を報告した。
画像の多次元的特徴は非実験的要因に影響されるため、類似薬の特性は大きく変化し、現在のサンプル数はディープラーニングを使用するには不十分であり、学習最適化には他の方法が用いられる。
その結果,本研究は薬物の特性を変換するための教師付きITMLアルゴリズムに基づいている。
以上の結果から,ITML変換の特徴は薬物機能の認識に寄与することが示唆された。
特徴変換の分析は、異なる特徴が異なる薬物機能を特定する上で重要な役割を担っていることを示している。
現在のCOVID-19では、クロロキンとヒドロキシクロロキンはエンドサイトーシス等を阻害して抗ウイルス効果を発揮し、同じコミュニティに分類された。
そして同じコミュニティのクロミフェインがエボラウイルスの侵入を誘発し、細胞像によって反映される同様のMoAを示しました。
関連論文リスト
- Equivariant Graph Attention Networks with Structural Motifs for Predicting Cell Line-Specific Synergistic Drug Combinations [0.0]
がんは2番目の死因であり、化学療法が主要な治療法の1つである。
現在、インビトロやインビトロのような薬物併用スクリーニングの方法は、スターク時間と金銭的コストのために非効率である。
3次元回転, 翻訳, リフレクションと構造モチーフの同値なグラフアテンションネットワークを用いた幾何学的深層学習モデルを用いる。
論文 参考訳（メタデータ） (2024-11-07T14:29:05Z) - 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) - drGAT: Attention-Guided Gene Assessment of Drug Response Utilizing a Drug-Cell-Gene Heterogeneous Network [9.637695046701493]
drGATは、薬物に対する感受性を予測するグラフ深層学習モデルである。
drGATは既存のモデルよりも優れた性能を示し、精度は78%、F1スコアは76%、DNA損傷物質は269である。
本手法は薬剤感受性を正確に予測するために有用であり,がん患者の治療に関するバイオマーカーの同定に有用である。
論文 参考訳（メタデータ） (2024-05-14T22:16:52Z) - Emerging Opportunities of Using Large Language Models for Translation
Between Drug Molecules and Indications [6.832024637226738]
薬物分子とそれに対応する指標を翻訳する新しい課題を提案する。
表示からの分子の生成、またはその逆は、病気のより効率的なターゲティングを可能にする。
論文 参考訳（メタデータ） (2024-02-14T21:33:13Z) - 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) - 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) - Self-supervised learning for analysis of temporal and morphological drug
effects in cancer cell imaging data [0.0]
我々は、1M画像データセット上の畳み込みオートエンコーダをランダムな拡張とマルチクロップで訓練し、特徴抽出器として利用する。
我々は,31種類の薬物の時間的パターンをクラスタリングするために,距離に基づく分析と動的時間ゆらぎを用いた。
形態的特徴重要写像の平均値と地雷値について,トップ3分類精度を8%向上させた。
論文 参考訳（メタデータ） (2022-03-07T14:48:13Z) - Deep learning for drug repurposing: methods, databases, and applications [54.08583498324774]
新しい治療法のために既存の薬物を再利用することは、実験コストの低減で薬物開発を加速する魅力的な解決策である。
本稿では,薬物再資源化のための深層学習手法とツールの活用に関するガイドラインを紹介する。
論文 参考訳（メタデータ） (2022-02-08T09:42:08Z) - A k-mer Based Approach for SARS-CoV-2 Variant Identification [55.78588835407174]
アミノ酸の順序を保つことで,分類器の精度が向上することを示す。
また,アメリカ疾病予防管理センター(CDC)が報告した,変異の同定に重要な役割を担っているアミノ酸の重要性も示した。
論文 参考訳（メタデータ） (2021-08-07T15:08:15Z) - Genetic Constrained Graph Variational Autoencoder for COVID-19 Drug
Discovery [0.0]
そこで本研究では,GCGVAE (Genematic Constrained Graph Variational Autoencoder) と呼ばれる新しいモデルを提案する。
SARS、HIV、Hep3、MERSなど、さまざまなウイルスのタンパク質構造のデータに基づいてモデルをトレーニングし、SARS-CoV-2の可能な薬物を生成するために使用しました。
生成分子はSARS-CoV-2を阻害する効果が高い。
論文 参考訳（メタデータ） (2021-04-23T16:10:15Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳（メタデータ） (2020-09-22T11:53:06Z)
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。