論文の概要: SafeDrug: Dual Molecular Graph Encoders for Safe Drug Recommendations
- arxiv url: http://arxiv.org/abs/2105.02711v1
- Date: Wed, 5 May 2021 00:20:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-08 04:29:09.724259
- Title: SafeDrug: Dual Molecular Graph Encoders for Safe Drug Recommendations
- Title(参考訳): SafeDrug: 安全な医薬品推奨のためのデュアル分子グラフエンコーダ
- Authors: Chaoqi Yang, Cao Xiao, Fenglong Ma, Lucas Glass, Jimeng Sun
- Abstract要約: 医薬品の分子構造とDDIのモデルを明確に活用するために、SafeDrugというDDI制御可能な薬物推奨モデルを提案する。
ベンチマークデータセットでは、SafeDrugはDDIを19.43%削減し、Jaccardの推奨薬物と実際に処方された薬物の組み合わせの2.88%を改善します。
- 参考スコア(独自算出の注目度): 59.590084937600764
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Medication recommendation is an essential task of AI for healthcare. Existing
works focused on recommending drug combinations for patients with complex
health conditions solely based on their electronic health records. Thus, they
have the following limitations: (1) some important data such as drug molecule
structures have not been utilized in the recommendation process. (2) drug-drug
interactions (DDI) are modeled implicitly, which can lead to sub-optimal
results. To address these limitations, we propose a DDI-controllable drug
recommendation model named SafeDrug to leverage drugs' molecule structures and
model DDIs explicitly. SafeDrug is equipped with a global message passing
neural network (MPNN) module and a local bipartite learning module to fully
encode the connectivity and functionality of drug molecules. SafeDrug also has
a controllable loss function to control DDI levels in the recommended drug
combinations effectively. On a benchmark dataset, our SafeDrug is relatively
shown to reduce DDI by 19.43% and improves 2.88% on Jaccard similarity between
recommended and actually prescribed drug combinations over previous approaches.
Moreover, SafeDrug also requires much fewer parameters than previous deep
learning-based approaches, leading to faster training by about 14% and around
2x speed-up in inference.
- Abstract(参考訳): 医療レコメンデーションは、医療のためのAIの重要なタスクである。
既存の研究は、電子健康記録のみに基づいて複雑な健康状態の患者に薬物の組み合わせを推奨することに焦点を当てている。
1) 薬物分子構造などの重要なデータが推奨プロセスで利用されていない。
2)薬物と薬物の相互作用 (DDI) は暗黙的にモデル化され, 準最適結果をもたらす可能性がある。
これらの制約に対処するために, SafeDrug というDDI制御可能な薬物レコメンデーションモデルを提案し, 薬物分子構造を明示的に利用し, DDIをモデル化する。
SafeDrugは、グローバルメッセージパッシングニューラルネットワーク(MPNN)モジュールと、薬物分子の接続性と機能を完全にエンコードするローカル二部学習モジュールを備えている。
SafeDrugはまた、推奨薬物の組み合わせのDDIレベルを効果的に制御する制御可能な損失機能を備えている。
ベンチマークデータセットでは、我々のSafeDrugは、DDIを19.43%削減し、ジャカード類似度を2.88%改善することが比較的示されている。
さらにSafeDrugは、従来のディープラーニングベースのアプローチよりもはるかに少ないパラメータを必要とするため、トレーニングが約14%、推論が約2倍高速になる。
関連論文リスト
- Decision Support System for Chronic Diseases Based on Drug-Drug
Interactions [67.9840225237587]
本稿では,医師の意思決定を支援するための薬物と薬物の相互作用に基づくDSSDDIと呼ばれる意思決定支援システムを提案する。
DDIモジュールは、薬物と薬物の相互作用からより安全で効果的な薬物表現を学習する。
MDモジュールは、患者と薬物の表現を文脈として、DDIと患者の類似性を治療として、薬物の使用を結果として考える。
論文 参考訳(メタデータ) (2023-03-04T12:44:38Z) - 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) - DDI Prediction via Heterogeneous Graph Attention Networks [0.0]
ポリファーマシー(英: Poly Pharmacy)は、複数の薬物を併用すること。
薬物と薬物の相互作用 (DDI) は、ある薬物の作用が他の薬物と結合した場合に起こる活動である。
薬物と薬物の相互作用を予測するための新しい異種グラフアテンションモデルであるHAN-DDIを提案する。
論文 参考訳(メタデータ) (2022-07-12T16:59:06Z) - HyGNN: Drug-Drug Interaction Prediction via Hypergraph Neural Network [0.0]
薬物と薬物の相互作用(DDI)は薬物の機能を妨げる可能性があり、最悪の場合、薬物の副作用(ADR)を引き起こす可能性がある。
本稿では,DDI予測問題に対するSMILES文字列のみに基づく新しいハイパーグラフニューラルネットワーク(HyGNN)モデルを提案する。
提案したHyGNNモデルは, DDIを効果的に予測し, ROC-AUCとPR-AUCを97.9%, 98.1%で比較した。
論文 参考訳(メタデータ) (2022-06-25T22:48:27Z) - 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) - SDF-Bayes: Cautious Optimism in Safe Dose-Finding Clinical Trials with
Drug Combinations and Heterogeneous Patient Groups [84.63561578944183]
本稿では,薬物の最大許容量(MTD)を臨床試験で検索するための新しいベイズ設計であるSDF-Bayesを提案する。
SDF-Bayesは、1つの薬物の現在の投与量をエスカレートまたは脱エスカレートする従来の原則ではなく、慎重な楽観主義によって進行する。
合成データセットと実世界データセットの両方に基づく広範な実験は、最先端のDC試験設計よりもSDFベイズの利点を示しています。
論文 参考訳(メタデータ) (2021-01-26T18:59:26Z) - Two Step Joint Model for Drug Drug Interaction Extraction [82.49278654043577]
薬物と薬物の相互作用 (DDI) テキスト分析会議 (TAC) 2018における薬物ラベルからの抽出
本稿では,DDI検出のための2段階関節モデルを提案する。
シーケンスタギングシステム(CNN-GRUエンコーダデコーダ)は、まず沈殿剤を発見し、その微細なトリガーを探索し、第2ステップで沈殿剤毎のDDIを決定する。
論文 参考訳(メタデータ) (2020-08-28T15:30:08Z)
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。