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: 翻訳完了
• 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

• HODDI: A Dataset of High-Order Drug-Drug Interactions for Computational Pharmacovigilance [10.96832270502834]
  HODDIには2,506種類の薬物と4,569種類の副作用を含む109,744個の記録がある。 包括的統計分析は、HODDIの広範なカバレッジと堅牢な分析指標を示している。 薬物副作用予測における高次情報の有用性について検討した。
  論文  参考訳（メタデータ） (2025-02-10T09:18:51Z)
• Learning to Describe for Predicting Zero-shot Drug-Drug Interactions [54.172575323610175]
  薬物と薬物の相互作用は同時投与の有効性を損なう可能性がある。 従来のDDI予測の計算手法では、知識不足のため、新しい薬物の相互作用を捉えることができない可能性がある。 言語モデルに基づくDDI予測器と強化学習(RL)に基づく情報セレクタを用いたテキストDDIを提案する。
  論文  参考訳（メタデータ） (2024-03-13T09:42:46Z)
• 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)
• 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)
• 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)
• 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。