論文の概要: A Minimal-Input Multilayer Perceptron for Predicting Drug-Drug Interactions Without Knowledge of Drug Structure

• arxiv url: http://arxiv.org/abs/2005.10644v1
• Date: Wed, 20 May 2020 17:15:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 06:15:45.249047
• Title: A Minimal-Input Multilayer Perceptron for Predicting Drug-Drug Interactions Without Knowledge of Drug Structure
• Title（参考訳）: 薬物構造を知らない薬物・薬物相互作用予測のための最小入力多層パーセプトロン
• Authors: Alun Stokes, William Hum, Jonathan Zaslavsky
• Abstract要約: 薬物間の相互作用を予測する最小入力型多層パーセプトロンを提案する。 薬物と薬物の相互作用と関連する性質を用いて、約65万項目のデータセットでモデルをトレーニングした。 モデルが訓練された薬物間の相互作用サンプルの0.968の精度と、不明薬物間の相互作用サンプルの0.942の精度を報告した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The necessity of predictive models in the drug discovery industry cannot be understated. With the sheer volume of potentially useful compounds that are considered for use, it is becoming increasingly computationally difficult to investigate the overlapping interactions between drugs. Understanding this is also important to the layperson who needs to know what they can and cannot mix, especially for those who use recreational drugs - which do not have the same rigorous warnings as prescription drugs. Without access to deterministic, experimental results for every drug combination, other methods are necessary to bridge this knowledge gap. Ideally, such a method would require minimal inputs, have high accuracy, and be computationally feasible. We have not come across a model that meets all these criteria. To this end, we propose a minimal-input multi-layer perceptron that predicts the interactions between two drugs. This model has a great advantage of requiring no structural knowledge of the molecules in question, and instead only uses experimentally accessible chemical and physical properties - 20 per compound in total. Using a set of known drug-drug interactions, and associated properties of the drugs involved, we trained our model on a dataset of about 650,000 entries. We report an accuracy of 0.968 on unseen samples of interactions between drugs on which the model was trained, and an accuracy of 0.942 on unseen samples of interactions between unseen drugs. We believe this to be a promising and highly extensible model that has potential for high generalized predictive accuracy with further tuning.
• Abstract（参考訳）: 薬物発見産業における予測モデルの必要性は過小評価できない。 有用と考えられる化合物の量が増えるにつれて、薬物間の重なり合う相互作用を計算的に調査することがますます難しくなってきている。 これを理解することは、処方薬と同じ厳格な警告を持っていないレクリエーション薬を使用する人々にとって、何が出来るか、混合できないかを知る必要のある一般人にとっても重要である。 薬物の組み合わせごとに決定論的で実験的な結果が得られなければ、この知識ギャップを埋める他の方法が必要である。 理想的には、そのような方法は最小限の入力を必要とし、高い精度で計算可能となる。 これらの基準をすべて満たすモデルには至っていません。 そこで本研究では、2つの薬物間の相互作用を予測する最小入力多層パーセプトロンを提案する。 このモデルは、関係する分子の構造的な知識を必要としないという大きな利点があり、代わりに実験で利用できる化学的性質と物理的性質のみを用いる。 既知の薬物と薬物の相互作用と関連する薬物の性質を使って、約65万項目のデータセットでモデルをトレーニングしました。 モデルが訓練された薬物間の相互作用サンプルの0.968の精度と、不明薬物間の相互作用サンプルの0.942の精度を報告した。 これは有望で拡張性の高いモデルであり、さらなるチューニングによって高い一般化された予測精度の可能性を秘めていると考えています。

関連論文リスト

• A Cross-Field Fusion Strategy for Drug-Target Interaction Prediction [85.2792480737546]
  既存の方法は、DTI予測中にグローバルなタンパク質情報を利用することができない。 ローカルおよびグローバルなタンパク質情報を取得するために、クロスフィールド情報融合戦略が採用されている。 SiamDTI予測法は、新規薬物や標的に対する他の最先端(SOTA)法よりも高い精度を達成する。
  論文  参考訳（メタデータ） (2024-05-23T13:25:20Z)
• 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 Drug Interaction Prediction Enabled by Flow-based Graph Neural Network with Biomedical Network [69.16939798838159]
  本稿では,新興医薬品の相互作用を効果的に予測できるグラフニューラルネットワーク(GNN)であるEmerGNNを提案する。 EmerGNNは、薬物ペア間の経路を抽出し、ある薬物から他の薬物へ情報を伝達し、関連する生物学的概念を経路に組み込むことで、薬物のペアワイズ表現を学習する。 全体として、EmerGNNは、新興薬物の相互作用を予測する既存のアプローチよりも精度が高く、バイオメディカルネットワーク上で最も関連性の高い情報を特定できる。
  論文  参考訳（メタデータ） (2023-11-15T06:34:00Z)
• Drug Interaction Vectors Neural Network: DrIVeNN [0.7624669864625037]
  ポリファーマシー(英: Poly Pharmacy)とは、複数の薬物を同時に併用して単一の疾患を治療することである。 ポリファーマシーに関連する多くの重篤なADEは、薬物の使用後にのみ知られるようになる。 臨床試験において、あらゆる可能な薬物の組み合わせをテストすることは不可能である。
  論文  参考訳（メタデータ） (2023-08-26T14:24:41Z)
• AMFPMC -- An improved method of detecting multiple types of drug-drug interactions using only known drug-drug interactions [18.027128141189355]
  逆薬の相互作用は、主に医療事故の予防可能な原因である。 実験室での薬物相互作用の検出は、薬物が医療行為に使用される前に必要不可欠である。 機械学習技術は、薬物と薬物の相互作用を予測する効率的で正確な手段を提供することができる。
  論文  参考訳（メタデータ） (2023-02-07T09:57:54Z)
• 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)
• Neural Bandits for Data Mining: Searching for Dangerous Polypharmacy [63.135687276599114]
  一部の多薬局は、不適切とみなされており、死亡や入院などの健康上の有害な結果に関係している可能性がある。 我々は、クレームデータセットを効率的にマイニングし、薬物の組み合わせと健康結果の関係の予測モデルを構築するためのOptimNeuralTS戦略を提案する。 提案手法では,最大72%のPIPを検出でき,平均精度は99%であり,30000タイムステップで検出できる。
  論文  参考訳（メタデータ） (2022-12-10T03:43:23Z)
• Drug-target affinity prediction method based on consistent expression of heterogeneous data [0.0]
  深層学習モデルを用いた薬物-標的結合親和性予測手法を提案する。 提案モデルでは,DAVISおよびKIBAデータセット上での薬物-標的結合親和性予測の精度と有効性を示す。
  論文  参考訳（メタデータ） (2022-11-13T02:58:03Z)
• 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)
• Two Step Joint Model for Drug Drug Interaction Extraction [82.49278654043577]
  薬物と薬物の相互作用 (DDI) テキスト分析会議 (TAC) 2018における薬物ラベルからの抽出 本稿では,DDI検出のための2段階関節モデルを提案する。 シーケンスタギングシステム(CNN-GRUエンコーダデコーダ)は、まず沈殿剤を発見し、その微細なトリガーを探索し、第2ステップで沈殿剤毎のDDIを決定する。
  論文  参考訳（メタデータ） (2020-08-28T15:30:08Z)

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。