論文の概要: Neural networks for Anatomical Therapeutic Chemical (ATC)
- arxiv url: http://arxiv.org/abs/2101.11713v1
- Date: Fri, 22 Jan 2021 19:49:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-20 17:14:19.931398
- Title: Neural networks for Anatomical Therapeutic Chemical (ATC)
- Title(参考訳): 解剖学的治療化学(ATC)のためのニューラルネットワーク
- Authors: Loris Nanni, Alessandra Lumini and Sheryl Brahnam
- Abstract要約: 両方向の長期記憶ネットワーク(BiLSTM)から抽出された集合を含む、特徴の異なるセットで訓練された複数の複数ラベル分類器を組み合わせることを提案する。
実験はこのアプローチのパワーを実証し、文献で報告された最良の手法よりも優れていることを示した。
- 参考スコア(独自算出の注目度): 83.73971067918333
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Motivation: Automatic Anatomical Therapeutic Chemical (ATC) classification is
a critical and highly competitive area of research in bioinformatics because of
its potential for expediting drug develop-ment and research. Predicting an
unknown compound's therapeutic and chemical characteristics ac-cording to how
these characteristics affect multiple organs/systems makes automatic ATC
classifica-tion a challenging multi-label problem. Results: In this work, we
propose combining multiple multi-label classifiers trained on distinct sets of
features, including sets extracted from a Bidirectional Long Short-Term Memory
Network (BiLSTM). Experiments demonstrate the power of this approach, which is
shown to outperform the best methods reported in the literature, including the
state-of-the-art developed by the fast.ai research group. Availability: All
source code developed for this study is available at
https://github.com/LorisNanni. Contact: loris.nanni@unipd.it
- Abstract(参考訳): 動機:atc(automatic anatomical therapeutic chemical)分類は、薬物開発と研究の迅速化の可能性から、バイオインフォマティクスの研究において重要かつ競争性の高い分野である。
これらの特徴が複数の臓器やシステムにどのように影響するかによって、未知の化合物の治療的および化学的特性を予測することにより、自動ATC分類が課題となる。
結果:本稿では,双方向長短期記憶ネットワーク(bilstm)から抽出したセットを含む,特徴の異なるセットで学習された複数のマルチラベル分類器を組み合わせることを提案する。
実験はこのアプローチの力を示し、Fast.ai研究グループによって開発された最先端技術を含む、文献で報告された最良の手法を上回ります。
可用性: この研究のために開発されたすべてのソースコードはhttps://github.com/LorisNanni.comで入手できる。
連絡先:loris.nanni@unipd.it
関連論文リスト
- UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。
異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。
特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
論文 参考訳(メタデータ) (2024-02-20T11:50:27Z) - Neurosymbolic AI for Reasoning on Biomedical Knowledge Graphs [0.9085310904484414]
バイオメディカルデータセットは、しばしば知識グラフ(KG)としてモデル化される。
したがって、KG完了(KGC)は、研究者が薬物再配置などのタスクを予測するのに役立ちます。
論文 参考訳(メタデータ) (2023-07-17T11:47:05Z) - Fast and Functional Structured Data Generators Rooted in
Out-of-Equilibrium Physics [62.997667081978825]
エネルギーモデルを用いて、構造化データセットで高品質なラベル特化データを生成するという課題に対処する。
伝統的な訓練方法は、マルコフ連鎖モンテカルロ混合による困難に遭遇する。
非平衡効果を利用した新しいトレーニングアルゴリズムを用いる。
論文 参考訳(メタデータ) (2023-07-13T15:08:44Z) - SynerGPT: In-Context Learning for Personalized Drug Synergy Prediction
and Drug Design [64.69434941796904]
本稿では,テキスト内薬物相乗学習のための新しい設定とモデルを提案する。
特定のがん細胞標的の文脈における10~20の薬物相乗関係の「個人化データセット」を作成した。
私たちの目標は、その文脈で追加の薬物シナジー関係を予測することです。
論文 参考訳(メタデータ) (2023-06-19T17:03:46Z) - HiPrompt: Few-Shot Biomedical Knowledge Fusion via Hierarchy-Oriented
Prompting [33.1455954220194]
HiPromptは、監督効率の良い知識融合フレームワークである。
階層指向のプロンプトを通じて、大規模言語モデルの数発の推論能力を引き出す。
収集したKG-Hi-BKFベンチマークデータセットの実験的結果は、HiPromptの有効性を示している。
論文 参考訳(メタデータ) (2023-04-12T16:54:26Z) - 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) - BioRED: A Comprehensive Biomedical Relation Extraction Dataset [6.915371362219944]
我々は,複数の実体型と関係対を持つ第一種バイオメディカルREコーパスであるBioREDを提示する。
それぞれの関係を、新しい発見知識または以前に知られていた背景知識を記述するものとしてラベル付けし、自動化アルゴリズムが新規情報と背景情報を区別できるようにする。
以上の結果から,既存の手法は NER タスクでは高い性能が得られるが,RE タスクには多くの改善の余地があることが示唆された。
論文 参考訳(メタデータ) (2022-04-08T19:23:49Z) - DeepDDS: deep graph neural network with attention mechanism to predict
synergistic drug combinations [0.9854322576538699]
計算スクリーニングは 薬物の組み合わせを優先する重要な方法になっています
DeepDDSは16%以上の予測精度で競合手法よりも優れていた。
論文 参考訳(メタデータ) (2021-07-06T08:25:43Z) - Stochastic-based Neural Network hardware acceleration for an efficient
ligand-based virtual screening [0.6431253679501663]
仮想スクリーニングは、治療対象の生物活性を示す可能性が最も高い分子化合物の同定方法を研究する。
大量の小さな有機化合物と、このような大規模なスクリーニングを行う可能性のある数千のターゲットにより、分子データベースのスクリーニングにおける処理速度とエネルギー効率の両方を向上する研究コミュニティへの関心が高まっている。
本研究では,各分子を1つのエネルギーベースベクトルで記述した分類モデルを提案し,ANNを用いた機械学習システムを提案する。
論文 参考訳(メタデータ) (2020-06-03T20:18:15Z) - Adversarial Feature Hallucination Networks for Few-Shot Learning [84.31660118264514]
Adversarial Feature Hallucination Networks (AFHN) は条件付き Wasserstein Generative Adversarial Network (cWGAN) に基づいている。
合成された特徴の識別性と多様性を促進するために、2つの新規レギュレータがAFHNに組み込まれている。
論文 参考訳(メタデータ) (2020-03-30T02:43:16Z)
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。