論文の概要: Drug-Target Interaction Prediction via an Ensemble of Weighted Nearest
Neighbors with Interaction Recovery
- arxiv url: http://arxiv.org/abs/2012.12325v2
- Date: Thu, 11 Mar 2021 13:32:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-26 07:17:55.321309
- Title: Drug-Target Interaction Prediction via an Ensemble of Weighted Nearest
Neighbors with Interaction Recovery
- Title（参考訳）: 身近な隣人の密集による薬物・標的相互作用予測と相互作用回復
- Authors: Bin Liu, Konstantinos Pliakos, Celine Vens, Grigorios Tsoumakas
- Abstract要約: 薬物とターゲットの相互作用は、構造ベースの薬物類似性および配列ベースの標的タンパク質類似性によって予測される。
既存の類似性に基づくほとんどの方法は、トランスダクティブな設定に従う。
現在のDTIデータセットにおける大量の欠落した相互作用は、ほとんどのDTI予測方法を妨げる。
WkNNIR (Weighted k Nearest Neighbor with Interaction Recovery) と呼ばれる新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 5.8683934849211745
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting drug-target interactions (DTI) via reliable computational methods
is an effective and efficient way to mitigate the enormous costs and time of
the drug discovery process. Structure-based drug similarities and
sequence-based target protein similarities are the commonly used information
for DTI prediction. Among numerous computational methods, neighborhood-based
chemogenomic approaches that leverage drug and target similarities to perform
predictions directly are simple but promising ones. However, most existing
similarity-based methods follow the transductive setting. These methods cannot
directly generalize to unseen data because they should be re-built to predict
the interactions for new arriving drugs, targets, or drug-target pairs.
Besides, many similarity-based methods, especially neighborhood-based ones,
cannot handle directly all three types of interaction prediction. Furthermore,
a large amount of missing interactions in current DTI datasets hinders most DTI
prediction methods. To address these issues, we propose a new method denoted as
Weighted k Nearest Neighbor with Interaction Recovery (WkNNIR). Not only can
WkNNIR estimate interactions of any new drugs and/or new targets without any
need of re-training, but it can also recover missing interactions. In addition,
WkNNIR exploits local imbalance to promote the influence of more reliable
similarities on the DTI prediction process. We also propose a series of
ensemble methods that employ diverse sampling strategies and could be coupled
with WkNNIR as well as any other DTI prediction method to improve performance.
Experimental results over five benchmark datasets demonstrate the effectiveness
of our approaches in predicting drug-target interactions. Lastly, we confirm
the practical prediction ability of proposed methods to discover reliable
interactions that not reported in the original benchmark datasets.
- Abstract（参考訳）: 信頼できる計算手法による薬物標的相互作用(dti)の予測は、創薬プロセスの膨大なコストと時間を軽減する効果的かつ効率的な方法である。
構造に基づく薬物類似性と配列ベースの標的タンパク質類似性は、dti予測によく用いられる情報である。
多くの計算手法の中で、薬と標的の類似性を利用して直接予測を行う近所のケモゲノミクスアプローチは単純だが有望である。
しかし、既存の類似性に基づくほとんどの手法はトランスダクティブ設定に従う。
これらの手法は、新薬、標的、または薬物標的のペアの相互作用を予測するために再構築されるべきであるため、目に見えないデータに直接一般化することはできない。
さらに、多くの類似性に基づく手法、特に近隣の手法は、3種類の相互作用予測を直接処理することはできない。
さらに、現在のDTIデータセットにおける大量の欠落した相互作用は、ほとんどのDTI予測方法を妨げる。
これらの問題に対処するため、我々はWkNNIR (Weighted k Nearest Neighbor with Interaction Recovery) と呼ばれる新しい手法を提案する。
WkNNIRは、新しい薬物や/または新しい標的の相互作用を再訓練する必要がないだけでなく、欠落した相互作用を回復することもできる。
さらに、WkNNIRは局所的不均衡を利用して、より信頼性の高い類似性がDTI予測プロセスに与える影響を促進する。
また,様々なサンプリング戦略を用いた一連のアンサンブル手法を提案し,wknnirおよび他のdti予測手法と組み合わせることで,性能の向上を図る。
5つのベンチマークデータセットに対する実験結果から,薬物と標的の相互作用を予測する手法の有効性が示された。
最後に,従来のベンチマークデータセットでは報告されていない信頼できるインタラクションを検出するための提案手法の実用的予測能力を確認した。
関連論文リスト
- A Cross-Field Fusion Strategy for Drug-Target Interaction Prediction [85.2792480737546]
既存の方法は、DTI予測中にグローバルなタンパク質情報を利用することができない。
ローカルおよびグローバルなタンパク質情報を取得するために、クロスフィールド情報融合戦略が採用されている。
SiamDTI予測法は、新規薬物や標的に対する他の最先端(SOTA)法よりも高い精度を達成する。
論文 参考訳（メタデータ） (2024-05-23T13:25:20Z) - 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) - Meta-Path-based Probabilistic Soft Logic for Drug-Target Interaction
Prediction [36.08294497336554]
薬物-標的相互作用(DTI)予測は、薬物が標的に束縛されるかどうかを予測することを目的としている。
最近提案された手法のほとんどは、DTI予測に単一のドラッグ・ドラッグ類似性およびターゲット・ターゲット類似性情報を使用する。
本稿では,ネットワークに基づく薬物と薬物の相互作用予測手法を提案する。
論文 参考訳（メタデータ） (2023-06-25T02:30:38Z) - 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) - Fine-Grained Selective Similarity Integration for Drug-Target
Interaction Prediction [10.1105462321649]
FGSと呼ばれるファイングラインド選択類似性統合手法を提案する。
5つのDTI予測データセットのFGSを様々な予測条件下で評価する。
類似度重みの解析と新しい予測の検証に関する事例研究により、FGSの実用性が確認された。
論文 参考訳（メタデータ） (2022-12-01T14:50:42Z) - 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) - Multi-View Substructure Learning for Drug-Drug Interaction Prediction [69.34322811160912]
DDI予測のための新しいマルチビュードラッグサブ構造ネットワーク(MSN-DDI)を提案する。
MSN-DDIは、単一の薬物(イントラビュー)と薬物ペア(インタービュー)の両方の表現から化学的サブ構造を同時に学習し、そのサブ構造を利用して、薬物表現を反復的に更新する。
総合的な評価では、MSN-DDIは、トランスダクティブ・セッティングの下で比較的改善された19.32%と99%以上の精度を達成することで、既存の薬物に対するDDI予測をほぼ解決したことを示している。
論文 参考訳（メタデータ） (2022-03-28T05:44:29Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - Optimizing Area Under the Curve Measures via Matrix Factorization for
Drug-Target Interaction Prediction [7.385579678137434]
本稿では,高精度リコール曲線(AUPR)と受信動作特性曲線(AUC)の領域を最適化する2つの行列分解法を提案する。
4つの最新のベンチマークデータセットに対する実験結果は、最適化された評価基準の点から提案手法の優位性を示している。
論文 参考訳（メタデータ） (2021-05-01T14:48:32Z) - DTI-SNNFRA: Drug-Target interaction prediction by shared nearest
neighbors and fuzzy-rough approximation [0.0]
DTI-SNNFRA(DTI-SNNFRA)を提案する。
ROC-AUCの予測スコアは0.95と非常に良好である。
論文 参考訳（メタデータ） (2020-09-22T19:10:10Z)
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。