論文の概要: Drug Repurposing for COVID-19 via Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2010.09600v2
• Date: Fri, 5 Feb 2021 17:23:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 22:25:03.279931
• Title: Drug Repurposing for COVID-19 via Knowledge Graph Completion
• Title（参考訳）: ナレッジグラフ完成によるcovid-19の薬剤再導入
• Authors: Rui Zhang, Dimitar Hristovski, Dalton Schutte, Andrej Kastrin, Marcelo Fiszman, Halil Kilicoglu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 6.705100803382272
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objective: To discover candidate drugs to repurpose for COVID-19 using literature-derived knowledge and knowledge graph completion methods. Methods: We propose a novel, integrative, and neural network-based literature-based discovery (LBD) approach to identify drug candidates from both PubMed and COVID-19-focused research literature. Our approach relies on semantic triples extracted using SemRep (via SemMedDB). We identified an informative subset of semantic triples using filtering rules and an accuracy classifier developed on a BERT variant, and used this subset to construct a knowledge graph. Five SOTA, neural knowledge graph completion algorithms were used to predict drug repurposing candidates. The models were trained and assessed using a time slicing approach and the predicted drugs were compared with a list of drugs reported in the literature and evaluated in clinical trials. These models were complemented by a discovery pattern-based approach. Results: Accuracy classifier based on PubMedBERT achieved the best performance (F1= 0.854) in classifying semantic predications. Among five knowledge graph completion models, TransE outperformed others (MR = 0.923, Hits@1=0.417). Some known drugs linked to COVID-19 in the literature were identified, as well as some candidate drugs that have not yet been studied. Discovery patterns enabled generation of plausible hypotheses regarding the relationships between the candidate drugs and COVID-19. Among them, five highly ranked and novel drugs (paclitaxel, SB 203580, alpha 2-antiplasmin, pyrrolidine dithiocarbamate, and butylated hydroxytoluene) with their mechanistic explanations were further discussed. Conclusion: We show that an LBD approach can be feasible for discovering drug candidates for COVID-19, and for generating mechanistic explanations. Our approach can be generalized to other diseases as well as to other clinical questions.
• Abstract（参考訳）: 目的:文学的知識と知識グラフの補完法を用いて、新型コロナウイルスの治療薬候補を探索すること。 方法: 新規, 統合的, ニューラルネットワークに基づく文献ベース発見(LBD)アプローチを提案し, PubMedおよびCOVID-19に焦点を当てた研究文献から薬剤候補を同定する。 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。 フィルタルールとbert変種に基づく精度分類器を用いて意味三重項の有意なサブセットを同定し,このサブセットを用いて知識グラフを構築した。 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。 モデルは時間スライシング法を用いて訓練・評価され、予測された薬品は文献で報告された薬品のリストと比較され、臨床試験で評価された。 これらのモデルは発見パターンに基づくアプローチで補完された。 結果: PubMedBERTに基づく精度分類器は,セマンティック述語分類において最高の性能(F1=0.854)を達成した。 知識グラフ補完モデルのうち、TransEは他のモデルよりも優れていた(MR = 0.923, Hits@1=0.417)。 文献上では、covid-19と関連した既知の薬物や、まだ研究されていない候補薬が特定されている。 発見パターンは、候補薬とcovid-19の関係に関して、考えられる仮説の生成を可能にした。 このうち5種類の高位および新規薬物(paclitaxel, sb 203580, alpha 2-antiplasmin, pyrrolidine dithiocarbamate, butylated hydroxytoluene)とその機構的説明について検討した。 結論: lbdアプローチは, 新型コロナウイルスの治療薬候補の発見や, 機械的な説明を生成できることを示す。 我々のアプローチは他の疾患にも応用できるし、他の臨床問題にも応用できる。

関連論文リスト

• Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
  目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。 回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
  論文  参考訳（メタデータ） (2024-05-23T13:22:17Z)
• 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)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• 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)
• Extracting Adverse Drug Events from Clinical Notes [1.6244541005112747]
  有害薬物イベント(ADEs)は、薬物または薬物の投与によって引き起こされる予期せぬ出来事です。 本稿では, 関連抽出手法を用いて, 薬物とその関連属性との関係を検討する。
  論文  参考訳（メタデータ） (2021-04-21T23:10:20Z)
• 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)
• Text Mining to Identify and Extract Novel Disease Treatments From Unstructured Datasets [56.38623317907416]
  Google Cloudを使って、NPRラジオ番組のポッドキャストのエピソードを書き起こします。 次に、テキストを体系的に前処理するためのパイプラインを構築します。 我々のモデルは、Omeprazoleが心臓熱傷の治療に役立てることに成功しました。
  論文  参考訳（メタデータ） (2020-10-22T19:52:49Z)
• Learning-based Computer-aided Prescription Model for Parkinson's Disease: A Data-driven Perspective [61.70045118068213]
  我々は、PD患者の症状と、神経科医が提供した処方薬を収集し、データセットを構築した。 そこで我々は、観察された症状と処方薬との関係を学習し、新しいコンピュータ支援処方薬モデルを構築した。 新来の患者に対しては、処方薬モデルにより、観察された症状に対して適切な処方薬を推奨できる(予測)。
  論文  参考訳（メタデータ） (2020-07-31T14:34:35Z)
• Few-shot link prediction via graph neural networks for Covid-19 drug-repurposing [22.035580011316746]
  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。
  論文  参考訳（メタデータ） (2020-07-20T16:48:51Z)

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。