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

• Graph Diffusion Network for Drug-Gene Prediction [38.00034058447254]
  薬物遺伝子予測のためのグラフ拡散ネットワーク(GDNDGP)を提案する。 メタパスに基づく同種グラフ学習を用いて、薬物・薬物・遺伝子関係を捉える。 第2に、トレーニング中に強い負のサンプルを生成する並列拡散ネットワークを導入し、徹底的な負のサンプル検索の必要性を排除している。
  論文  参考訳（メタデータ） (2025-02-13T13:54:58Z)
• Multimodal Contrastive Representation Learning in Augmented Biomedical Knowledge Graphs [2.006175707670159]
  PrimeKG++はマルチモーダルデータを組み込んだ豊富な知識グラフである。 提案手法は強い一般化可能性を示し,未知のノードに対しても正確なリンク予測を可能にする。
  論文  参考訳（メタデータ） (2025-01-03T05:29:12Z)
• KITE-DDI: A Knowledge graph Integrated Transformer Model for accurately predicting Drug-Drug Interaction Events from Drug SMILES and Biomedical Knowledge Graph [0.11049608786515838]
  薬物と薬物の相互作用(DDI)は、身体の損傷や死に至ることがある。 DDIイベントを予測するための現代の研究は、バイオメディカル知識グラフ(KG)または薬物SMILESの情報に依存する。 本研究では,エンドツーエンドの完全自動機械学習パイプラインを生成するために,KG統合トランスフォーマーアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-12-08T00:49:57Z)
• Learning to Denoise Biomedical Knowledge Graph for Robust Molecular Interaction Prediction [50.7901190642594]
  分子間相互作用予測のためのバイオKDN (Biomedical Knowledge Graph Denoising Network) を提案する。 BioKDNは、ノイズの多いリンクを学習可能な方法で識別することで、局所的な部分グラフの信頼性の高い構造を洗練する。 ターゲットの相互作用に関する関係を円滑にすることで、一貫性とロバストなセマンティクスを維持する。
  論文  参考訳（メタデータ） (2023-12-09T07:08:00Z)
• Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
  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)
• Consensus Knowledge Graph Learning via Multi-view Sparse Low Rank Block Model [8.374332740392978]
  本稿では,マルチビュースパース低ランクブロックモデル (msLBM) フレームワークを提案する。 この結果から,マルチソースデータセットを活用することで,コンセンサス知識グラフをより正確に学習できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-28T01:19:38Z)
• 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)
• 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。