論文の概要: Two Step Joint Model for Drug Drug Interaction Extraction

• arxiv url: http://arxiv.org/abs/2008.12704v1
• Date: Fri, 28 Aug 2020 15:30:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 02:05:04.601841
• Title: Two Step Joint Model for Drug Drug Interaction Extraction
• Title（参考訳）: 薬物相互作用抽出のための二段階共同モデル
• Authors: Siliang Tang, Qi Zhang, Tianpeng Zheng, Mengdi Zhou, Zhan Chen, Lixing Shen, Xiang Ren, Yueting Zhuang, Shiliang Pu and Fei Wu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 82.49278654043577
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When patients need to take medicine, particularly taking more than one kind of drug simultaneously, they should be alarmed that there possibly exists drug-drug interaction. Interaction between drugs may have a negative impact on patients or even cause death. Generally, drugs that conflict with a specific drug (or label drug) are usually described in its drug label or package insert. Since more and more new drug products come into the market, it is difficult to collect such information by manual. We take part in the Drug-Drug Interaction (DDI) Extraction from Drug Labels challenge of Text Analysis Conference (TAC) 2018, choosing task1 and task2 to automatically extract DDI related mentions and DDI relations respectively. Instead of regarding task1 as named entity recognition (NER) task and regarding task2 as relation extraction (RE) task then solving it in a pipeline, we propose a two step joint model to detect DDI and it's related mentions jointly. A sequence tagging system (CNN-GRU encoder-decoder) finds precipitants first and search its fine-grained Trigger and determine the DDI for each precipitant in the second step. Moreover, a rule based model is built to determine the sub-type for pharmacokinetic interation. Our system achieved best result in both task1 and task2. F-measure reaches 0.46 in task1 and 0.40 in task2.
• Abstract（参考訳）: 患者が薬を服用する必要がある場合、特に複数の種類の薬物を同時に服用する場合、薬物と薬物の相互作用が存在する可能性があることを警告すべきである。 薬物間の相互作用は患者に悪影響を及ぼしたり、死を引き起こすこともある。 一般に、特定の薬物(またはラベル薬物)と相反する薬物は、通常、その薬物ラベルまたはパッケージ挿入で記述される。 新たな医薬品製品が市場に出回っているため、手作業でこのような情報を収集することは困難である。 我々は、テキスト分析会議(TAC)2018の薬物ラベルチャレンジからDDIを抽出し、タスク1とタスク2を選択して、DDI関連の言及とDDIの関係を自動的に抽出する。 タスク1を名前付きエンティティ認識(NER)タスクとして、タスク2を関係抽出(RE)タスクとして、パイプラインで解決する代わりに、DDIを検出するための2ステップのジョイントモデルを提案し、関連する言及を共同で行う。 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ステップで沈殿剤のDDIを決定する。 さらに、薬物動態相互作用のサブタイプを決定するためのルールベースモデルを構築した。 このシステムはタスク1とタスク2の両方で最高の結果を得た。 f-measure は task1 で 0.46 、task2 で 0.40 に達する。

関連論文リスト

• RGDA-DDI: Residual graph attention network and dual-attention based framework for drug-drug interaction prediction [4.044376666671973]
  薬物・薬物相互作用予測のための残留グラフ注意ネットワーク(Residual-GAT)とデュアルアテンションベースのフレームワークであるRGDA-DDIを提案する。 一連の評価指標は、RGDA-DDIが2つの公開ベンチマークデータセット上でのDDI予測性能を大幅に改善したことを示している。
  論文  参考訳（メタデータ） (2024-08-27T17:13:56Z)
• Learning to Describe for Predicting Zero-shot Drug-Drug Interactions [54.172575323610175]
  薬物と薬物の相互作用は同時投与の有効性を損なう可能性がある。 従来のDDI予測の計算手法では、知識不足のため、新しい薬物の相互作用を捉えることができない可能性がある。 言語モデルに基づくDDI予測器と強化学習(RL)に基づく情報セレクタを用いたテキストDDIを提案する。
  論文  参考訳（メタデータ） (2024-03-13T09:42:46Z)
• Accurate and interpretable drug-drug interaction prediction enabled by knowledge subgraph learning [39.66471292348325]
  本稿では,薬物と薬物の相互作用の潜在的な発見という課題に対処するグラフニューラルネットワークを用いたKnowDDIを提案する。 KnowDDIは、大きなバイオメディカル知識グラフからリッチな近隣情報を適応的に活用することで、薬物表現を強化する。 元々のオープンソースツールであるKnowDDIは、さまざまな関連するインタラクション予測タスクにおいて、可能なインタラクションを検出するのに役立ちます。
  論文  参考訳（メタデータ） (2023-11-25T15:44:28Z)
• ADRNet: A Generalized Collaborative Filtering Framework Combining Clinical and Non-Clinical Data for Adverse Drug Reaction Prediction [49.56476929112382]
  逆薬物反応(ADR)予測は、医療と薬物発見において重要な役割を果たす。 ADRNetは、臨床データと非臨床データを組み合わせた一般的な協調フィルタリングフレームワークである。
  論文  参考訳（メタデータ） (2023-08-03T11:28:12Z)
• Knowledge-Driven New Drug Recommendation [88.35607943144261]
  既存の薬物と新薬のギャップを埋めるために, 薬物依存型マルチフェノタイプ数発学習機を開発した。 EDGEは外部薬効知識ベースを用いて偽陰性監視信号を除去する。 その結果, EDGEは, ROC-AUCスコアよりも7.3%向上していることがわかった。
  論文  参考訳（メタデータ） (2022-10-11T16:07:52Z)
• DDI Prediction via Heterogeneous Graph Attention Networks [0.0]
  ポリファーマシー(英: Poly Pharmacy)は、複数の薬物を併用すること。 薬物と薬物の相互作用 (DDI) は、ある薬物の作用が他の薬物と結合した場合に起こる活動である。 薬物と薬物の相互作用を予測するための新しい異種グラフアテンションモデルであるHAN-DDIを提案する。
  論文  参考訳（メタデータ） (2022-07-12T16:59:06Z)
• Multi-View Substructure Learning for Drug-Drug Interaction Prediction [69.34322811160912]
  DDI予測のための新しいマルチビュードラッグサブ構造ネットワーク(MSN-DDI)を提案する。 MSN-DDIは、単一の薬物(イントラビュー)と薬物ペア(インタービュー)の両方の表現から化学的サブ構造を同時に学習し、そのサブ構造を利用して、薬物表現を反復的に更新する。 総合的な評価では、MSN-DDIは、トランスダクティブ・セッティングの下で比較的改善された19.32%と99%以上の精度を達成することで、既存の薬物に対するDDI予測をほぼ解決したことを示している。
  論文  参考訳（メタデータ） (2022-03-28T05:44:29Z)
• SafeDrug: Dual Molecular Graph Encoders for Safe Drug Recommendations [59.590084937600764]
  医薬品の分子構造とDDIのモデルを明確に活用するために、SafeDrugというDDI制御可能な薬物推奨モデルを提案する。 ベンチマークデータセットでは、SafeDrugはDDIを19.43%削減し、Jaccardの推奨薬物と実際に処方された薬物の組み合わせの2.88%を改善します。
  論文  参考訳（メタデータ） (2021-05-05T00:20:48Z)
• Drug-Drug Interaction Prediction with Wasserstein Adversarial Autoencoder-based Knowledge Graph Embeddings [22.562175708415392]
  薬物・薬物相互作用のための知識グラフ埋め込みフレームワークを提案する。 本フレームワークでは, 高品質な負のサンプルを生成するために, オートエンコーダを用いる。 判別器は、正三重項と負三重項の両方に基づいて薬物と相互作用の埋め込みを学習する。
  論文  参考訳（メタデータ） (2020-04-15T21:03:29Z)

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。