Fugu-MT 論文翻訳(概要): Few-shot link prediction via graph neural networks for Covid-19 drug-repurposing

論文の概要: Few-shot link prediction via graph neural networks for Covid-19 drug-repurposing

arxiv url: http://arxiv.org/abs/2007.10261v1
Date: Mon, 20 Jul 2020 16:48:51 GMT
ステータス: 処理完了
システム内更新日: 2022-11-08 12:57:08.506380
Title: Few-shot link prediction via graph neural networks for Covid-19 drug-repurposing
Title（参考訳）: Covid-19薬物再資源化のためのグラフニューラルネットワークによるリンク予測
Authors: Vassilis N. Ioannidis, Da Zheng, George Karypis
Abstract要約: 本稿では,グラフ構造データ中の情報的関係埋め込みを学習するための帰納モデルを提案する。提案したモデルは、数ショットの学習タスクにおいて、RGCNと最先端のKGEモデルよりも大幅に優れている。薬物発見タスクをリンク予測として,創薬知識グラフに含まれる生物学的実体の埋め込みを学習する。
参考スコア（独自算出の注目度）: 22.035580011316746
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Predicting interactions among heterogenous graph structured data has numerous applications such as knowledge graph completion, recommendation systems and drug discovery. Often times, the links to be predicted belong to rare types such as the case in repurposing drugs for novel diseases. This motivates the task of few-shot link prediction. Typically, GCNs are ill-equipped in learning such rare link types since the relation embedding is not learned in an inductive fashion. This paper proposes an inductive RGCN for learning informative relation embeddings even in the few-shot learning regime. The proposed inductive model significantly outperforms the RGCN and state-of-the-art KGE models in few-shot learning tasks. Furthermore, we apply our method on the drug-repurposing knowledge graph (DRKG) for discovering drugs for Covid-19. We pose the drug discovery task as link prediction and learn embeddings for the biological entities that partake in the DRKG. Our initial results corroborate that several drugs used in clinical trials were identified as possible drug candidates. The method in this paper are implemented using the efficient deep graph learning (DGL)
Abstract（参考訳）: 異種グラフ構造データ間の相互作用の予測には、知識グラフ補完、レコメンデーションシステム、薬物発見など多くの応用がある。しばしば、予測されるリンクは、新しい疾患の薬剤を再導入するケースのような稀なタイプに属する。これは、リンク数予測のタスクを動機付ける。典型的には、GCNはそのような稀なリンクタイプを学習するのに不適当である。本稿では,情報的関係の埋め込みを学習するためのインダクティブなrgcnを提案する。提案したインダクティブモデルは、数ショットの学習タスクにおいて、RGCNと最先端のKGEモデルを大幅に上回る。さらに,コビッド19の薬物発見のための薬物回収知識グラフ(DRKG)に本手法を適用した。薬物発見タスクをリンク予測として,DRKGに含まれる生物学的実体の埋め込みを学習する。最初の結果から, 臨床治験で使用した薬剤を薬剤候補として同定した。本稿では,効率的な深層グラフ学習(dgl)を用いて実装する。

関連論文リスト

Research on Adverse Drug Reaction Prediction Model Combining Knowledge Graph Embedding and Deep Learning [36.703773706187256]
本稿では,知識グラフの埋め込みと深層学習に基づく薬物反応予測モデルを開発する。得られた予測モデルは、予測精度と安定性が良好であり、後続の安全な薬剤指導のための効果的な基準を提供することができる。
論文参考訳（メタデータ） (2024-07-23T03:25:55Z)
Label Deconvolution for Node Representation Learning on Large-scale Attributed Graphs against Learning Bias [75.44877675117749]
本稿では,GNNの逆写像に対する新しい,スケーラブルな近似による学習バイアスを軽減するために,ラベルの効率的な正規化手法,すなわちラベルのデコンボリューション(LD)を提案する。実験では、LDはOpen Graphデータセットのベンチマークで最先端のメソッドを大幅に上回っている。
論文参考訳（メタデータ） (2023-09-26T13:09:43Z)
Relation-aware graph structure embedding with co-contrastive learning for drug-drug interaction prediction [4.639653766590366]
相関学習を併用した関係認識グラフ構造に基づく新しいDDI予測手法であるRaGSECoを提案する。提案したRaGSECoは, マルチリレーショナルDDIグラフとマルチアトリビュートドラッグ・ドラッグ類似性(DDS)グラフの2つの異種薬物グラフを構築した。薬物対表現(DP)を学習するための新しいコントラスト学習モジュールを提案する。
論文参考訳（メタデータ） (2023-07-04T06:41:50Z)
Normalizing Flow-based Neural Process for Few-Shot Knowledge Graph Completion [69.55700751102376]
FKGC (Few-shot Knowledge Graph completion) は、失明した事実を、無意味な関連のある事実で予測することを目的としている。既存のFKGC手法はメートル法学習やメタラーニングに基づいており、しばしば分布外や過度に適合する問題に悩まされる。本稿では,数ショット知識グラフ補完(NP-FKGC)のためのフローベースニューラルプロセスの正規化を提案する。
論文参考訳（メタデータ） (2023-04-17T11:42:28Z)
Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。詳しくは、グラフの基本構造は一般知識から事前構築される。各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
論文参考訳（メタデータ） (2023-03-18T03:53:43Z)
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)
Analysis of Drug repurposing Knowledge graphs for Covid-19 [0.0]
本研究は、薬物再資源知識グラフ(DRKG)を用いた新型コロナウイルスの候補薬剤のセットを提案する。 DRKGは、大量のオープンソースバイオメディカル知識を用いて構築された生物学的知識グラフである。ノードと関係埋め込みは知識グラフ埋め込みモデルとニューラルネットワークおよび注意関連モデルを用いて学習される。
論文参考訳（メタデータ） (2022-12-07T19:14:17Z)
A Deep Learning Approach to the Prediction of Drug Side-Effects on Molecular Graphs [2.4087148947930634]
グラフニューラルネットワークを用いて薬物副作用を予測する手法を開発した。私たちは、自由にアクセス可能で、確立されたデータソースからデータセットを構築します。その結果,本手法は,多くのパラメータや指標の下で,分類能力の向上を図っている。
論文参考訳（メタデータ） (2022-11-30T10:12:41Z)
Drug Repurposing for COVID-19 via Knowledge Graph Completion [6.705100803382272]
薬物候補を同定するための新しい,統合的で,ニューラルネットワークに基づく文献ベースの発見(LBD)手法を提案する。提案手法は,SemRepを用いて抽出したセマンティックトリプルに依存する。 5つのSOTA, 神経知識グラフ補完アルゴリズムを用いて, 薬物再服用候補の予測を行った。
論文参考訳（メタデータ） (2020-10-19T15:30:51Z)
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)
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。