Fugu-MT 論文翻訳(概要): Drug repurposing for COVID-19 using graph neural network and harmonizing multiple evidence

論文の概要: Drug repurposing for COVID-19 using graph neural network and harmonizing multiple evidence

arxiv url: http://arxiv.org/abs/2009.10931v3
Date: Tue, 1 Feb 2022 20:33:18 GMT
ステータス: 処理完了
システム内更新日: 2022-10-15 16:57:41.533944
Title: Drug repurposing for COVID-19 using graph neural network and harmonizing multiple evidence
Title（参考訳）: グラフニューラルネットワークと複数の証拠の調和を用いたcovid-19の薬物再導入
Authors: Kanglin Hsieh, Yinyin Wang, Luyao Chen, Zhongming Zhao, Sean Savitz, Xiaoqian Jiang, Jing Tang, Yejin Kim
Abstract要約: ウイルスベイト,宿主遺伝子,経路,薬物,表現型間の相互作用に基づくSARS-CoV-2知識グラフを構築した。臨床治験履歴を用いて候補薬剤を優先し,遺伝子プロファイル,in vitro実験の有効性,電子健康記録で検証した。
参考スコア（独自算出の注目度）: 9.472330151855111
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Amid the pandemic of 2019 novel coronavirus disease (COVID-19) infected by SARS-CoV-2, a vast amount of drug research for prevention and treatment has been quickly conducted, but these efforts have been unsuccessful thus far. Our objective is to prioritize repurposable drugs using a drug repurposing pipeline that systematically integrates multiple SARS-CoV-2 and drug interactions, deep graph neural networks, and in-vitro/population-based validations. We first collected all the available drugs (n= 3,635) involved in COVID-19 patient treatment through CTDbase. We built a SARS-CoV-2 knowledge graph based on the interactions among virus baits, host genes, pathways, drugs, and phenotypes. A deep graph neural network approach was used to derive the candidate representation based on the biological interactions. We prioritized the candidate drugs using clinical trial history, and then validated them with their genetic profiles, in vitro experimental efficacy, and electronic health records. We highlight the top 22 drugs including Azithromycin, Atorvastatin, Aspirin, Acetaminophen, and Albuterol. We further pinpointed drug combinations that may synergistically target COVID-19. In summary, we demonstrated that the integration of extensive interactions, deep neural networks, and rigorous validation can facilitate the rapid identification of candidate drugs for COVID-19 treatment. This is a post-peer-review, pre-copyedit version of an article published in Scientific Reports The final authenticated version is available online at: https://www.nature.com/articles/s41598-021-02353-5
Abstract（参考訳）: SARS-CoV-2が感染した2019年の新型コロナウイルス(COVID-19)のパンデミックが続く中、予防と治療のための薬物研究が急速に行われているが、これらの取り組みは今のところ成功していない。本研究の目的は,複数のSARS-CoV-2と薬物相互作用,ディープグラフニューラルネットワーク,ビトロ/ポピュレーションに基づくバリデーションを体系的に統合する薬物再資源パイプラインを用いて,再資源化可能な薬剤を優先することである。まず、ctdbaseを通じて、covid-19患者の治療にかかわる利用可能な薬物(n=3,635)を収集した。ウイルスベイト,宿主遺伝子,経路,薬物,表現型間の相互作用に基づくSARS-CoV-2知識グラフを構築した。ディープグラフニューラルネットワークを用いて、生物学的相互作用に基づいて候補表現を導出した。臨床治験歴を用いて候補薬剤を優先し,遺伝子プロファイル,in vitro実験の有効性,電子健康記録で検証した。 Azithromycin, Atorvastatin, Aspirin, Acetaminophen, Albuterolを含むトップ22の薬剤について検討した。さらに、covid-19を相乗的にターゲットとする薬物の組み合わせについても指摘しました。まとめると、広範囲な相互作用、深層ニューラルネットワーク、厳密な検証の統合によって、新型コロナウイルス治療の候補薬の迅速な識別が容易になることを実証した。最終認証版は、https://www.nature.com/articles/s41598-021-02353-5でオンラインで入手できる。

関連論文リスト

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 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)
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)
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)
Heterogeneous network-based drug repurposing for COVID-19 [7.097880564431694]
コロナウイルス病2019(Corona Virus Disease 2019、COVID-19)は、世界中で急速に広がるヒトのウイルス(HCoV)である。新しい薬物開発と比較すると、薬物再服用は新型コロナウイルスの治療に最適なショートカットかもしれない。我々は、HCoVs関連標的タンパク質をベースとした包括的ヘテロジニアスネットワークを構築し、これまで提案されていたディープDTnetを用いて、新型コロナウイルスの薬物候補を発見する。
論文参考訳（メタデータ） (2021-07-20T01:24:40Z)
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)
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)
Dr-COVID: Graph Neural Networks for SARS-CoV-2 Drug Repurposing [14.112444998191698]
我々は、Dr-COVIDと呼ばれる、GNNに基づく薬物再資源化モデルを提案する。 Dr-COVIDは、その予測性能と、既知の疾患の治療薬をできるだけ高いレベルにランク付けする能力で評価されている。
論文参考訳（メタデータ） (2020-12-03T18:34:10Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)
Repurpose Open Data to Discover Therapeutics for COVID-19 using Deep Learning [22.01390057543923]
新型コロナウイルスの感染拡大を受け、感染者は85万人以上、死者は4万8000人を超えた。現在、新型コロナウイルスに対する有効な薬は存在していない。本研究は、新型コロナウイルスの治療薬を同定する統合的ネットワークベースのディープラーニング手法を報告した。
論文参考訳（メタデータ） (2020-05-21T16:02:29Z)
Network Medicine Framework for Identifying Drug Repurposing Opportunities for COVID-19 [6.7410870290301]
現在のパンデミックは、SARS-CoV-2感染の潜在的な効果のために、迅速かつ確実に臨床承認された化合物を優先順位付けできる方法の必要性を強調している。ここでは,人工知能,ネットワーク拡散,ネットワーク近接に頼ったアルゴリズムをデプロイし,SARS-CoV-2に対する効果を期待して,それぞれ6,340の薬物をランク付けする。ほとんどのアルゴリズムは、これらの基底真理データに対して予測力を提供するが、すべてのデータセットやメトリクスに対して一貫した信頼性のある結果を提供する方法は存在しない。
論文参考訳（メタデータ） (2020-04-15T17:40:29Z)

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。