論文の概要: Drug Package Recommendation via Interaction-aware Graph Induction

• arxiv url: http://arxiv.org/abs/2102.03577v1
• Date: Sat, 6 Feb 2021 12:51:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-09 15:56:04.143776
• Title: Drug Package Recommendation via Interaction-aware Graph Induction
• Title（参考訳）: 相互作用認識グラフ誘導による薬物包装勧告
• Authors: Zhi Zheng, Chao Wang, Tong Xu, Dazhong Shen, Penggang Qin, Baoxing Huai, Tongzhu Liu, Enhong Chen
• Abstract要約: 本稿では,DPR on Weighted Graph (DPR-WG) とDPR on Attributed Graph (DPR-AG) の2つのバリエーションを持つ新しいDPRフレームワークを提案する。 詳しくは、マスク層を用いて患者の状態の影響を捉え、最終グラフ誘導タスクにグラフニューラルネットワーク(GNN)を利用してパッケージを埋め込む。
• 参考スコア（独自算出の注目度）: 44.493214829186115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent years have witnessed the rapid accumulation of massive electronic medical records (EMRs), which highly support the intelligent medical services such as drug recommendation. However, prior arts mainly follow the traditional recommendation strategies like collaborative filtering, which usually treat individual drugs as mutually independent, while the latent interactions among drugs, e.g., synergistic or antagonistic effect, have been largely ignored. To that end, in this paper, we target at developing a new paradigm for drug package recommendation with considering the interaction effect within drugs, in which the interaction effects could be affected by patient conditions. Specifically, we first design a pre-training method based on neural collaborative filtering to get the initial embedding of patients and drugs. Then, the drug interaction graph will be initialized based on medical records and domain knowledge. Along this line, we propose a new Drug Package Recommendation (DPR) framework with two variants, respectively DPR on Weighted Graph (DPR-WG) and DPR on Attributed Graph (DPR-AG) to solve the problem, in which each the interactions will be described as signed weights or attribute vectors. In detail, a mask layer is utilized to capture the impact of patient condition, and graph neural networks (GNNs) are leveraged for the final graph induction task to embed the package. Extensive experiments on a real-world data set from a first-rate hospital demonstrate the effectiveness of our DPR framework compared with several competitive baseline methods, and further support the heuristic study for the drug package generation task with adequate performance.
• Abstract（参考訳）: 近年は、医薬品推奨などのインテリジェントな医療サービスを支援する大規模な電子医療記録(EMR)が急速に蓄積されているのを目撃している。 しかし、先行技術は主に、個々の薬物を互いに独立したものとして扱う共同フィルタリングのような従来の推奨戦略に従っており、薬物間の潜伏相互作用(例えば、相乗効果や反抗作用)は無視されている。 そこで本研究では, 薬物の相互作用効果を考慮し, 薬物パッケージレコメンデーションのための新たなパラダイムを開発することを目的としている。 具体的には、患者や薬物の初期埋め込みを得るために、神経協調フィルタリングに基づく事前トレーニング手法を最初に設計しました。 次に、薬物相互作用グラフは、医療記録とドメイン知識に基づいて初期化される。 本稿では,dprを重み付きグラフ (dpr-wg) に,dprを重み付きグラフ (dpr-ag) にそれぞれdprを,dprを重み付きグラフ (dpr-ag) にそれぞれdprを2種類に分けた新しいdprフレームワークを提案し,それぞれの相互作用を符号付き重み付きまたは属性ベクターとして記述する。 詳細には、マスク層を使用して患者状態の影響を捉え、最終的なグラフ誘導タスクのためにグラフニューラルネットワーク(GNN)を利用してパッケージを埋め込む。 一流病院からの現実世界のデータセットに関する広範な実験は、いくつかの競争力のあるベースライン方法と比較して、当社のDPRフレームワークの有効性を実証し、適切なパフォーマンスで薬物パッケージ生成タスクのヒューリスティック研究をさらに支援します。

関連論文リスト

• Emerging Drug Interaction Prediction Enabled by Flow-based Graph Neural Network with Biomedical Network [69.16939798838159]
  本稿では,新興医薬品の相互作用を効果的に予測できるグラフニューラルネットワーク(GNN)であるEmerGNNを提案する。 EmerGNNは、薬物ペア間の経路を抽出し、ある薬物から他の薬物へ情報を伝達し、関連する生物学的概念を経路に組み込むことで、薬物のペアワイズ表現を学習する。 全体として、EmerGNNは、新興薬物の相互作用を予測する既存のアプローチよりも精度が高く、バイオメディカルネットワーク上で最も関連性の高い情報を特定できる。
  論文  参考訳（メタデータ） (2023-11-15T06:34:00Z)
• PGraphDTA: Improving Drug Target Interaction Prediction using Protein Language Models and Contact Maps [4.590060921188914]
  薬物発見の鍵となる側面は、新規な薬物標的相互作用(DT)の同定である。 タンパク質-リガンド相互作用は結合親和性として知られる結合強度の連続性を示す。 性能向上のための新しい改良を提案する。
  論文  参考訳（メタデータ） (2023-10-06T05:00:25Z)
• ADRNet: A Generalized Collaborative Filtering Framework Combining Clinical and Non-Clinical Data for Adverse Drug Reaction Prediction [49.56476929112382]
  逆薬物反応(ADR)予測は、医療と薬物発見において重要な役割を果たす。 ADRNetは、臨床データと非臨床データを組み合わせた一般的な協調フィルタリングフレームワークである。
  論文  参考訳（メタデータ） (2023-08-03T11:28:12Z)
• 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)
• Knowledge-Driven New Drug Recommendation [88.35607943144261]
  既存の薬物と新薬のギャップを埋めるために, 薬物依存型マルチフェノタイプ数発学習機を開発した。 EDGEは外部薬効知識ベースを用いて偽陰性監視信号を除去する。 その結果, EDGEは, ROC-AUCスコアよりも7.3%向上していることがわかった。
  論文  参考訳（メタデータ） (2022-10-11T16:07:52Z)
• DDoS: A Graph Neural Network based Drug Synergy Prediction Algorithm [0.521420263116111]
  薬物相乗効果予測のためのグラフニューラルネットワーク(textitGNN)モデルを提案する。 従来のモデルとは対照的に、我々のGNNベースのアプローチは、薬物のグラフ構造から直接タスク特異的な薬物表現を学習する。 我々の研究は、タスク固有の薬物表現を学習し、多様なデータセットを活用することが、薬物と薬物の相互作用とシナジーの理解を深めるための有望なアプローチであることを示唆している。
  論文  参考訳（メタデータ） (2022-10-03T10:16:29Z)
• 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)
• Drug-Drug Interaction Prediction with Wasserstein Adversarial Autoencoder-based Knowledge Graph Embeddings [22.562175708415392]
  薬物・薬物相互作用のための知識グラフ埋め込みフレームワークを提案する。 本フレームワークでは, 高品質な負のサンプルを生成するために, オートエンコーダを用いる。 判別器は、正三重項と負三重項の両方に基づいて薬物と相互作用の埋め込みを学習する。
  論文  参考訳（メタデータ） (2020-04-15T21:03:29Z)

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。