論文の概要: Interpretable Drug Synergy Prediction with Graph Neural Networks for
Human-AI Collaboration in Healthcare
- arxiv url: http://arxiv.org/abs/2105.07082v1
- Date: Fri, 14 May 2021 22:20:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-18 14:59:59.858430
- Title: Interpretable Drug Synergy Prediction with Graph Neural Networks for
Human-AI Collaboration in Healthcare
- Title(参考訳): 医療における人-AI連携のためのグラフニューラルネットワークによる解釈可能な薬物相乗効果予測
- Authors: Zehao Dong, Heming Zhang, Yixin Chen, Fuhai Li
- Abstract要約: 本研究は,遺伝子と薬物の結合予測における遺伝子と薬物の制御関係を組み込むディープグラフニューラルネットワーク(IDSP)を提案する。
idspは遺伝子と薬物ノードの関係に基づいてエッジの重みを自動的に多層パーセプトロン(mlp)で学習し、インダクティブな方法で情報を集約する。
46種類のコアがんシグナル伝達経路の遺伝子と、NCIアルマナックの薬物併用スクリーニングデータからの薬物併用によるシグナルネットワーク上でIDWSPをテストします。
- 参考スコア(独自算出の注目度): 23.151336811933938
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We investigate molecular mechanisms of resistant or sensitive response of
cancer drug combination therapies in an inductive and interpretable manner.
Though deep learning algorithms are widely used in the drug synergy prediction
problem, it is still an open problem to formulate the prediction model with
biological meaning to investigate the mysterious mechanisms of synergy (MoS)
for the human-AI collaboration in healthcare systems. To address the
challenges, we propose a deep graph neural network, IDSP (Interpretable Deep
Signaling Pathways), to incorporate the gene-gene as well as gene-drug
regulatory relationships in synergic drug combination predictions. IDSP
automatically learns weights of edges based on the gene and drug node
relations, i.e., signaling interactions, by a multi-layer perceptron (MLP) and
aggregates information in an inductive manner. The proposed architecture
generates interpretable drug synergy prediction by detecting important
signaling interactions, and can be implemented when the underlying molecular
mechanism encounters unseen genes or signaling pathways. We test IDWSP on
signaling networks formulated by genes from 46 core cancer signaling pathways
and drug combinations from NCI ALMANAC drug combination screening data. The
experimental results demonstrated that 1) IDSP can learn from the underlying
molecular mechanism to make prediction without additional drug chemical
information while achieving highly comparable performance with current
state-of-art methods; 2) IDSP show superior generality and flexibility to
implement the synergy prediction task on both transductive tasks and inductive
tasks. 3) IDSP can generate interpretable results by detecting different
salient signaling patterns (i.e. MoS) for different cell lines.
- Abstract(参考訳): がん薬物併用療法の抵抗性または感受性の分子機構を誘導的かつ解釈可能な方法で検討する。
深層学習アルゴリズムは薬物シナジー予測問題において広く用いられているが、医療システムにおける人間とaiの協調のための謎めいたシナジー(mos)のメカニズムを調査するために生物学的意味を持つ予測モデルを定式化することは、まだ未解決の問題である。
これらの課題に対処するため,遺伝子と薬物の相互作用を予測するためのディープグラフニューラルネットワークIDSP(Interpretable Deep Signaling Pathways)を提案する。
idspは多層パーセプトロン(mlp)によって遺伝子と薬局の関係、すなわちシグナル相互作用に基づいてエッジの重みを自動的に学習し、誘導的な方法で情報を集約する。
提案アーキテクチャは、重要なシグナル伝達相互作用を検出して解釈可能な薬物相乗効果を予測し、基礎となる分子機構が未知の遺伝子やシグナル伝達経路に遭遇した場合に実装することができる。
我々は,NCI ALMANAC薬物併用スクリーニングデータから,46のコア癌シグナル伝達経路と薬物の組み合わせの遺伝子によって形成されるシグナルネットワーク上でIDWSPをテストする。
実験の結果,1) IDSPは分子機構から学習し,薬品情報の付加を伴わずに予測できること,2) IDSPは伝達タスクと誘導タスクの両方に相乗的予測タスクを実装するのに優れた汎用性と柔軟性を示すことがわかった。
3) idspは、異なるサルエント信号パターン(例えば)を検出することで、解釈可能な結果を生成することができる。
異なる細胞株に対するMoS。
関連論文リスト
- Multiscale Topology in Interactomic Network: From Transcriptome to
Antiaddiction Drug Repurposing [0.3683202928838613]
米国における薬物依存の激化は、革新的な治療戦略の緊急の必要性を浮き彫りにしている。
本研究は,オピオイドおよびコカイン依存症治療の薬物再服用候補を探索するための,革新的で厳格な戦略に着手した。
論文 参考訳(メタデータ) (2023-12-03T04:01:38Z) - 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) - 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) - Interpreting the Mechanism of Synergism for Drug Combinations Using
Attention-Based Hierarchical Graph Pooling [10.898133007285638]
我々は、基礎となる根本的治療目標と相乗効果(MoS)のメカニズムを明らかにする解釈可能なグラフニューラルネットワーク(GNN)を開発した。
提案したGNNモデルは、検出された重要なサブ分子ネットワークに基づいて、薬物結合の相乗効果を予測し、解釈する体系的な方法を提供する。
論文 参考訳(メタデータ) (2022-09-19T11:18:45Z) - MOOMIN: Deep Molecular Omics Network for Anti-Cancer Drug Combination
Therapy [2.446672595462589]
本稿では,がん治療における薬物併用の相乗効果を予測できるマルチモーダルグラフニューラルネットワークを提案する。
本モデルでは,薬物とタンパク質の相互作用ネットワークとメタデータに基づいて,薬物のコンテキストを複数スケールで表現する。
このモデルが癌細胞株の組織を広範囲にわたって高い品質で予測できることを実証した。
論文 参考訳(メタデータ) (2021-10-28T13:10:25Z) - Improved Drug-target Interaction Prediction with Intermolecular Graph
Transformer [98.8319016075089]
本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。
分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。
IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
論文 参考訳(メタデータ) (2021-10-14T13:28:02Z) - 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) - Neural networks for Anatomical Therapeutic Chemical (ATC) [83.73971067918333]
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。
論文 参考訳(メタデータ) (2021-01-22T19:49:47Z) - Towards Interaction Detection Using Topological Analysis on Neural
Networks [55.74562391439507]
ニューラルネットワークでは、あらゆる相互作用する特徴は共通の隠蔽ユニットとの強い重み付けの接続に従う必要がある。
本稿では, 永続的ホモロジーの理論に基づいて, 相互作用強度を定量化するための新しい尺度を提案する。
PID(Persistence Interaction Detection)アルゴリズムを開発した。
論文 参考訳(メタデータ) (2020-10-25T02:15:24Z) - Interpretable multimodal fusion networks reveal mechanisms of brain
cognition [26.954460880062506]
我々は,自動診断と結果解釈を同時に行うことができる,解釈可能なマルチモーダル融合モデルgCAM-CCLを開発した。
脳画像遺伝学的研究におけるgCAM-CCLモデルの有効性を検証し,gCAM-CCLの分類と機構解析の両面において良好な性能を示した。
論文 参考訳(メタデータ) (2020-06-16T18:52:50Z) - Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug
Response [49.86828302591469]
本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。
我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。
アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
論文 参考訳(メタデータ) (2020-05-13T20:29:48Z)
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。