論文の概要: Transformer Query-Target Knowledge Discovery (TEND): Drug Discovery from CORD-19

• arxiv url: http://arxiv.org/abs/2012.04682v2
• Date: Fri, 11 Dec 2020 00:09:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-19 19:20:48.231501
• Title: Transformer Query-Target Knowledge Discovery (TEND): Drug Discovery from CORD-19
• Title（参考訳）: Transformer Query-Target Knowledge Discovery (TEND): CORD-19による薬物発見
• Authors: Leo K. Tam and Xiaosong Wang and Daguang Xu
• Abstract要約: スキップグラムのワード2vecモデルを確立した以前の研究は、熱電体の発見のための材料科学文献の知識を掘り下げるために使われた。 最近のトランスフォーマーアーキテクチャは、言語モデリングと関連する微調整タスクに大きな進歩を見せている。 本稿では,問合せ目標条件を用いた暗黙の言語トークン予測を拡張したRoBERTa変換方式を提案する。
• 参考スコア（独自算出の注目度）: 9.607453639486065
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Previous work established skip-gram word2vec models could be used to mine knowledge in the materials science literature for the discovery of thermoelectrics. Recent transformer architectures have shown great progress in language modeling and associated fine-tuned tasks, but they have yet to be adapted for drug discovery. We present a RoBERTa transformer-based method that extends the masked language token prediction using query-target conditioning to treat the specificity challenge. The transformer discovery method entails several benefits over the word2vec method including domain-specific (antiviral) analogy performance, negation handling, and flexible query analysis (specific) and is demonstrated on influenza drug discovery. To stimulate COVID-19 research, we release an influenza clinical trials and antiviral analogies dataset used in conjunction with the COVID-19 Open Research Dataset Challenge (CORD-19) literature dataset in the study. We examine k-shot fine-tuning to improve the downstream analogies performance as well as to mine analogies for model explainability. Further, the query-target analysis is verified in a forward chaining analysis against the influenza drug clinical trials dataset, before adapted for COVID-19 drugs (combinations and side-effects) and on-going clinical trials. In consideration of the present topic, we release the model, dataset, and code.
• Abstract（参考訳）: これまでの研究で、スキップグラムの word2vec モデルは、熱電の発見のための材料科学文献の知識を掘り出すのに利用可能であった。 近年のトランスフォーマーアーキテクチャは、言語モデリングと関連する微調整タスクにおいて大きな進歩を見せているが、薬物発見にはまだ適応していない。 そこで本研究では,問合せ条件を用いたマスク付き言語トークン予測を拡張したRoBERTa変換方式を提案する。 このトランスフォーマー発見法は、ドメイン固有(抗ウイルス)アナロジー性能、ネゲーションハンドリング、柔軟なクエリ解析(特異的)を含む、word2vec法よりもいくつかの利点を伴い、インフルエンザ治療薬の発見で実証されている。 新型コロナウイルスの研究を刺激するために、covid-19 open research dataset challenge(cord-19)の文献データセットと共に使用されるインフルエンザ臨床試験および抗ウイルス類似データセットを公開する。 そこで本研究では,kショットファインチューニングによる下流のアナログ性能の向上と,モデル説明可能性のためのアナログのマイニングについて検討する。 さらに、インフルエンザ薬物臨床試験データセットに対する前方連鎖解析において、新型コロナウイルス薬物(コンビネーションと副作用)および進行中の臨床試験に適応する前に、クエリターゲット分析を検証する。 現在のトピックを考慮して、私たちはモデル、データセット、コードをリリースします。

関連論文リスト

• FragXsiteDTI: Revealing Responsible Segments in Drug-Target Interaction with Transformer-Driven Interpretation [0.09236074230806578]
  薬物-標的相互作用(DTI)予測は薬物発見に不可欠であるが、モデル解釈可能性の実現と性能の最適化には課題が続く。 DTI予測におけるこれらの課題に対処することを目的とした新しいトランスフォーマーモデルFragXsiteDTIを提案する。 FragXsiteDTIは、薬物分子断片とタンパク質ポケットを同時に利用する最初のDTIモデルである。
  論文  参考訳（メタデータ） (2023-11-04T04:57:13Z)
• Effective Matching of Patients to Clinical Trials using Entity Extraction and Neural Re-ranking [8.200196331837576]
  臨床試験(CT)は、不十分な患者募集のために失敗することが多い。 本稿では,患者と医療のパラダイムに対処するアプローチを提案することによって,CT検索の課題に取り組む。
  論文  参考訳（メタデータ） (2023-07-01T16:42:39Z)
• 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)
• The pitfalls of using open data to develop deep learning solutions for COVID-19 detection in chest X-rays [64.02097860085202]
  深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。 オープンソースデータのトレーニングやテストでは,結果は異例です。 データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
  論文  参考訳（メタデータ） (2021-09-14T10:59:11Z)
• Extracting COVID-19 Diagnoses and Symptoms From Clinical Text: A New Annotated Corpus and Neural Event Extraction Framework [14.226438210255676]
  本研究は、COVID-19 Annotated Clinical Text (CACT) Corpusと呼ばれる新しい臨床コーパスを提示する。 新型コロナウイルスの診断、検査、臨床プレゼンテーションを特徴付ける詳細な注釈付き1,472枚のノートで構成されている。 本研究では,すべての注釈付き事象を共同抽出するイベント抽出モデルを提案する。 二次的応用として、構造化された患者データを用いて新型コロナウイルス検査結果の予測を行い、自動的に症状情報を抽出した。
  論文  参考訳（メタデータ） (2020-12-02T05:25:02Z)
• Classification supporting COVID-19 diagnostics based on patient survey data [82.41449972618423]
  新型コロナウイルス患者の効果的なスクリーニングを可能にするロジスティック回帰とXGBoost分類器が作成された。 得られた分類モデルは、DECODEサービス(decode.polsl.pl)の基礎を提供し、COVID-19病患者のスクリーニング支援に役立てることができる。 このデータセットは、3,000以上のサンプルで構成されており、ポーランドの病院で収集されたアンケートに基づいている。
  論文  参考訳（メタデータ） (2020-11-24T17:44:01Z)
• Drug Repurposing for COVID-19 via Knowledge Graph Completion [6.705100803382272]
  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。
  論文  参考訳（メタデータ） (2020-10-19T15:30:51Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• 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)
• Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug Response [49.86828302591469]
  本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。 我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。 アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
  論文  参考訳（メタデータ） (2020-05-13T20:29:48Z)

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。