論文の概要: SumGNN: Multi-typed Drug Interaction Prediction via Efficient Knowledge
Graph Summarization
- arxiv url: http://arxiv.org/abs/2010.01450v2
- Date: Thu, 6 May 2021 21:07:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 03:24:03.139091
- Title: SumGNN: Multi-typed Drug Interaction Prediction via Efficient Knowledge
Graph Summarization
- Title(参考訳): SumGNN:効率的な知識グラフ要約によるマルチタイプ薬物相互作用予測
- Authors: Yue Yu, Kexin Huang, Chao Zhang, Lucas M. Glass, Jimeng Sun, and Cao
Xiao
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 64.56399911605286
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Thanks to the increasing availability of drug-drug interactions (DDI)
datasets and large biomedical knowledge graphs (KGs), accurate detection of
adverse DDI using machine learning models becomes possible. However, it remains
largely an open problem how to effectively utilize large and noisy biomedical
KG for DDI detection. Due to its sheer size and amount of noise in KGs, it is
often less beneficial to directly integrate KGs with other smaller but higher
quality data (e.g., experimental data). Most of the existing approaches ignore
KGs altogether. Some try to directly integrate KGs with other data via graph
neural networks with limited success. Furthermore, most previous works focus on
binary DDI prediction whereas the multi-typed DDI pharmacological effect
prediction is a more meaningful but harder task. To fill the gaps, we propose a
new method SumGNN: knowledge summarization graph neural network, which is
enabled by a subgraph extraction module that can efficiently anchor on relevant
subgraphs from a KG, a self-attention based subgraph summarization scheme to
generate a reasoning path within the subgraph, and a multi-channel knowledge
and data integration module that utilizes massive external biomedical knowledge
for significantly improved multi-typed DDI predictions. SumGNN outperforms the
best baseline by up to 5.54\%, and the performance gain is particularly
significant in low data relation types. In addition, SumGNN provides
interpretable prediction via the generated reasoning paths for each prediction.
- Abstract(参考訳): 薬物と薬物の相互作用(DDI)データセットと大規模バイオメディカル知識グラフ(KG)の可用性の向上により、機械学習モデルによる有害なDDIの正確な検出が可能になった。
しかし、DDI検出に大規模でノイズの多いバイオメディカルKGを効果的に活用する方法は、ほとんど未解決の問題である。
KGsのサイズとノイズの量のため、KGsを他のより小さくて高品質なデータ(例えば実験データ)と直接統合するメリットは少ない。
既存のアプローチのほとんどは、kgsを完全に無視している。
グラフニューラルネットワークを通じて、KGを他のデータと直接統合する試みもある。
さらに、これまでのほとんどの研究はバイナリDDI予測に焦点を当てているが、マルチタイプDDI薬理効果予測はより有意義だが難しい作業である。
このギャップを埋めるために,KGからの関連部分グラフを効率的にアンカーするサブグラフ抽出モジュールと,そのサブグラフ内の推論経路を生成する自己アテンションに基づくサブグラフ要約スキームと,多種類のDDI予測を著しく改善する大規模外的バイオメディカル知識を利用するマルチチャネル知識とデータ統合モジュールとで実現可能な知識要約グラフニューラルネットワークのSumGNNを提案する。
SumGNNは最高ベースラインを5.54倍まで上回り、低データ関係のタイプでは特にパフォーマンスの向上が顕著である。
さらに、SumGNNは各予測に対して生成された推論経路を介して解釈可能な予測を提供する。
関連論文リスト
- Data Augmentation for Supervised Graph Outlier Detection with Latent
Diffusion Models [42.19529054800729]
本稿では,遅延拡散モデルを用いた教師付きグラフ外乱検出において,クラス不均衡を緩和する新しいデータ拡張であるGODMを紹介する。
提案手法は,(1)Variantioanlがグラフデータ内に存在する異種情報を統一潜在空間にマッピングし,(2)グラフ生成器が潜在空間から実際の外れ値に統計的に類似したグラフデータを合成し,(3)潜時拡散モデルが反復分解により実際の有機データの潜時空間分布を学習する,という3つの重要な要素から構成される。
論文 参考訳(メタデータ) (2023-12-29T16:50:40Z) - 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) - Efficient Heterogeneous Graph Learning via Random Projection [65.65132884606072]
不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。
最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。
我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
論文 参考訳(メタデータ) (2023-10-23T01:25:44Z) - Predicting Drug-Drug Interactions Using Knowledge Graphs [0.0]
本稿では,公開医薬品リポジトリからKnowledge Graphにいくつかのドラッグ機能を統合する,医療用エンドツーエンドフレームワークを提案する。
最終的には、未知のドラッグ・ドラッグ・インタラクション(DDI)を予測する機械学習(ML)アルゴリズムを使用します。
また、グラフニューラルネットワーク(GNN)を用いたグラフ自動エンコーダモデルを開発し、91.94%のF1スコアを達成した。
論文 参考訳(メタデータ) (2023-08-08T10:07:22Z) - Graph Enhanced Contrastive Learning for Radiology Findings Summarization [25.377658879658306]
放射線学レポートのセクションでは、この発見から最も顕著な観察を要約している。
余分な知識と元の知見の両方を活用する統一的なフレームワークを提案する。
キーワードとその関係を適切な方法で抽出し、印象生成を容易にする。
論文 参考訳(メタデータ) (2022-04-01T04:39:44Z) - DrugOOD: Out-of-Distribution (OOD) Dataset Curator and Benchmark for
AI-aided Drug Discovery -- A Focus on Affinity Prediction Problems with Noise
Annotations [90.27736364704108]
我々は、AI支援薬物発見のための体系的なOODデータセットキュレーターおよびベンチマークであるTarmOODを提案する。
DrugOODには、ベンチマークプロセスを完全に自動化するオープンソースのPythonパッケージが付属している。
我々は、薬物標的結合親和性予測という、AIDDにおける最も重要な問題の1つに焦点を当てる。
論文 参考訳(メタデータ) (2022-01-24T12:32:48Z) - GIPA: General Information Propagation Algorithm for Graph Learning [3.228614352581043]
属性付きグラフデータ学習のための新しいグラフ注目ニューラルネットワーク、すなわちGIPAを紹介します。
GIPAは3つの重要なコンポーネントで構成されている。
Open Graph Benchmark protein データセットを用いてGIPAの性能を評価する。
論文 参考訳(メタデータ) (2021-05-13T01:50:43Z) - GKD: Semi-supervised Graph Knowledge Distillation for Graph-Independent
Inference [41.348451615460796]
本稿では,知識蒸留に基づく新しい半教師付き手法GKDを提案する。
自閉症スペクトラム障害の診断のための2つの公開データセットとアルツハイマー病に関する実験を行う。
これらの実験によると、GKDは従来のグラフベースのディープラーニング手法よりも精度、AUC、マクロF1で優れている。
論文 参考訳(メタデータ) (2021-04-08T08:23:37Z) - M2Net: Multi-modal Multi-channel Network for Overall Survival Time
Prediction of Brain Tumor Patients [151.4352001822956]
生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。
既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。
我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
論文 参考訳(メタデータ) (2020-06-01T05:21:37Z) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳(メタデータ) (2020-04-30T20:42:17Z)
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。