論文の概要: Hybrid Attentional Memory Network for Computational drug repositioning
- arxiv url: http://arxiv.org/abs/2006.06910v2
- Date: Sun, 15 Nov 2020 13:50:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 02:32:00.737454
- Title: Hybrid Attentional Memory Network for Computational drug repositioning
- Title（参考訳）: 薬物再配置のためのハイブリッド注意記憶ネットワーク
- Authors: Jieyue He and Xinxing Yang (Equal contributor) and Zhuo Gong and
lbrahim Zamit
- Abstract要約: コールドスタート問題は、常に計算薬物再配置の分野で大きな課題であった。
本稿では,CFモデルの2つのクラスを非線形に結合した階層型アーキテクチャであるHAMNモデルを提案する。
提案するHAMNモデルは、AUC, AUPR, HR指標により、他の比較モデルよりも優れている。
- 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: Drug repositioning is designed to discover new uses of known drugs, which is
an important and efficient method of drug discovery. Researchers only use one
certain type of Collaborative Filtering (CF) models for drug repositioning
currently, like the neighborhood based approaches which are good at mining the
local information contained in few strong drug-disease associations, or the
latent factor based models which are effectively capture the global information
shared by a majority of drug-disease associations. Few researchers have
combined these two types of CF models to derive a hybrid model with the
advantages of both of them. Besides, the cold start problem has always been a
major challenge in the field of computational drug repositioning, which
restricts the inference ability of relevant models. Inspired by the memory
network, we propose the Hybrid Attentional Memory Network (HAMN) model, a deep
architecture combines two classes of CF model in a nonlinear manner. Firstly,
the memory unit and the attention mechanism are combined to generate the
neighborhood contribution representation to capture the local structure of few
strong drug-disease associations. Then a variant version of the autoencoder is
used to extract the latent factor of drugs and diseases to capture the overall
information shared by a majority of drug-disease associations. In that process,
ancillary information of drugs and diseases can help to alleviate the cold
start problem. Finally, in the prediction stage, the neighborhood contribution
representation is combined with the drug latent factor and disease latent
factor to produce the predicted value. Comprehensive experimental results on
two real data sets show that our proposed HAMN model is superior to other
comparison models according to the AUC, AUPR and HR indicators.
- Abstract（参考訳）: 薬物再配置は、薬物発見の重要かつ効率的な方法である既知の薬物の新しい用途を発見するために設計された。
研究者は、現在、薬物再配置に特定の種類の協調フィルタリング(CF)モデルしか使用していない。例えば、強力な薬物放出関連団体のほとんどに含まれるローカル情報をマイニングする地区ベースのアプローチや、薬物放出関連団体の大多数が共有するグローバル情報を効果的にキャプチャする潜在因子ベースのモデルなどである。
これら2種類のCFモデルを組み合わせてハイブリッドモデルを導出する研究者はほとんどいない。
さらに、コールドスタート問題は、関連するモデルの推論能力を制限する計算薬物再配置の分野において、常に大きな課題であった。
メモリネットワークに触発されて,ハイブリッド・アテンション・メモリ・ネットワーク(hamn)モデルを提案する。
まず、メモリユニットとアテンション機構を結合して近傍の寄与表現を生成し、強力な薬物放出関連性の少ない局所構造を捕捉する。
次に、オートエンコーダの変種を用いて、薬物や疾患の潜伏因子を抽出し、薬物・疾患関連団体の大多数が共有する全体的な情報を取得する。
このプロセスでは、薬や病気の補助的な情報がコールドスタート問題を軽減するのに役立ちます。
最後に、予測段階において、近隣貢献表現と薬物潜伏因子と疾患潜伏因子とを組み合わせることにより、予測値を生成する。
2つの実データ集合に対する総合的な実験結果から,提案したHAMNモデルは,AUC,AUPR,HR指標による他の比較モデルよりも優れていることが示された。
関連論文リスト
- Boosting drug-disease association prediction for drug repositioning via dual-feature extraction and cross-dual-domain decoding [9.721502993958193]
本稿では,薬物や疾患を表現するためのDual-Feature Drug Repositioning Neural Network(DFDRNN)モデルを提案する。
提案するDFDRNNモデルは,4つのベンチマークデータセット上で6つの最先端手法より優れている。
2つの疾患のケーススタディは、提案したDFDRNNモデルが現実世界のシナリオに適用可能であることを示している。
論文 参考訳（メタデータ） (2024-07-16T15:02:18Z) - 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) - Hierarchical Graph Representation Learning for the Prediction of
Drug-Target Binding Affinity [7.023929372010717]
本稿では,薬物結合親和性予測,すなわちHGRL-DTAのための新しい階層グラフ表現学習モデルを提案する。
本稿では,グローバルレベルの親和性グラフと局所レベルの分子グラフから得られた階層的表現を統合するためのメッセージブロードキャスティング機構を採用し,また,類似性に基づく埋め込みマップを設計し,未知の薬物や標的に対する表現の推論というコールドスタート問題を解決する。
論文 参考訳（メタデータ） (2022-03-22T04:50:16Z) - MOOMIN: Deep Molecular Omics Network for Anti-Cancer Drug Combination
Therapy [2.446672595462589]
本稿では,がん治療における薬物併用の相乗効果を予測できるマルチモーダルグラフニューラルネットワークを提案する。
本モデルでは,薬物とタンパク質の相互作用ネットワークとメタデータに基づいて,薬物のコンテキストを複数スケールで表現する。
このモデルが癌細胞株の組織を広範囲にわたって高い品質で予測できることを実証した。
論文 参考訳（メタデータ） (2021-10-28T13:10:25Z) - The Neural Metric Factorization for Computational Drug Repositioning [1.5206182560183663]
計算薬物再配置は、市販薬物の新しい治療疾患を発見することを目的としている。
行列因数分解モデルは, 医薬再配置における主要な基礎技術となっている。
本稿では, 医薬再配置のためのニューラル・メトリック・ファクター化モデルを提案する。
論文 参考訳（メタデータ） (2021-09-16T03:14:43Z) - A Twin Neural Model for Uplift [59.38563723706796]
Upliftは条件付き治療効果モデリングの特定のケースです。
相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。
本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
論文 参考訳（メタデータ） (2021-05-11T16:02:39Z) - Adversarial Sample Enhanced Domain Adaptation: A Case Study on
Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。
逆生成したサンプルはドメイン適応時に使用される。
その結果,本手法の有効性とタスクの一般性が確認された。
論文 参考訳（メタデータ） (2021-01-13T03:20:20Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z) - Attention-based Neural Bag-of-Features Learning for Sequence Data [143.62294358378128]
2D-Attention (2DA) は、シーケンスデータの一般的なアテンション定式化である。
提案したアテンションモジュールは、最近提案されたNeural Bag of Feature(NBoF)モデルに組み込まれ、学習能力を高める。
実験により,提案手法はNBoFモデルの性能を向上させるだけでなく,ノイズに耐性を持つことを示す。
論文 参考訳（メタデータ） (2020-05-25T17:51:54Z) - Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug
Response [49.86828302591469]
本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。
我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。
アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
論文 参考訳（メタデータ） (2020-05-13T20:29:48Z)
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。