論文の概要: Discovering novel drug-supplement interactions using a dietary supplements knowledge graph generated from the biomedical literature

• arxiv url: http://arxiv.org/abs/2106.12741v1
• Date: Thu, 24 Jun 2021 02:57:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-26 04:44:37.503567
• Title: Discovering novel drug-supplement interactions using a dietary supplements knowledge graph generated from the biomedical literature
• Title（参考訳）: 生医学文献から得られた栄養補助知識グラフを用いた新規薬物補充相互作用の解明
• Authors: Dalton Schutte, Jake Vasilakes, Anu Bompelli, Yuqi Zhou, Marcelo Fiszman, Hua Xu, Halil Kilicoglu, Jeffrey R. Bishop, Terrence Adam, Rui Zhang
• Abstract要約: 我々は,DSと薬物の相互作用を発見するために,食事サプリメント(DS)情報を含む知識グラフを作成する。 SuppKGは2,928のDS固有のノードから構成される。
• 参考スコア（独自算出の注目度）: 14.71437737107949
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: OBJECTIVE: Leverage existing biomedical NLP tools and DS domain terminology to produce a novel and comprehensive knowledge graph containing dietary supplement (DS) information for discovering interactions between DS and drugs, or Drug-Supplement Interactions (DSI). MATERIALS AND METHODS: We created SemRepDS (an extension of SemRep), capable of extracting semantic relations from abstracts by leveraging a DS-specific terminology (iDISK) containing 28,884 DS terms not found in the UMLS. PubMed abstracts were processed using SemRepDS to generate semantic relations, which were then filtered using a PubMedBERT-based model to remove incorrect relations before generating our knowledge graph (SuppKG). Two pathways are used to identify potential DS-Drug interactions which are then evaluated by medical professionals for mechanistic plausibility. RESULTS: Comparison analysis found that SemRepDS returned 206.9% more DS relations and 158.5% more DS entities than SemRep. The fine-tuned BERT model obtained an F1 score of 0.8605 and removed 43.86% of the relations, improving the precision of the relations by 26.4% compared to pre-filtering. SuppKG consists of 2,928 DS-specific nodes. Manual review of findings identified 44 (88%) proposed DS-Gene-Drug and 32 (64%) proposed DS-Gene1-Function-Gene2-Drug pathways to be mechanistically plausible. DISCUSSION: The additional relations extracted using SemRepDS generated SuppKG that was used to find plausible DSI not found in the current literature. By the nature of the SuppKG, these interactions are unlikely to have been found using SemRep without the expanded DS terminology. CONCLUSION: We successfully extend SemRep to include DS information and produce SuppKG which can be used to find potential DS-Drug interactions.
• Abstract（参考訳）: OBJECTIVE:既存のバイオメディカルNLPツールとDSドメイン用語を活用して、DSと薬物の相互作用を発見するための食事補助(DS)情報を含む、新しく包括的な知識グラフを作成する。 資料と方法:SemRepDS(SemRepの拡張)を作成し,UMLSにはない28,884のDS語を含むDS特化用語(iDISK)を活用して,抽象語から意味関係を抽出した。 PubMedの抽象表現をSemRepDSを用いて処理し,その意味関係をPubMedBERTベースのモデルでフィルタリングして,知識グラフを生成する前に誤った関係を除去する(SuppKG)。 2つの経路を用いてDS-Drug相互作用を同定し、それを医療専門家によって機械的妥当性について評価する。 RESULTS: 比較分析の結果、SemRepDSはSemRepよりも206.9%、DSエンティティは158.5%多かった。 細調整されたBERTモデルはF1スコアの0.8605を取得し、関係の43.86%を除去し、前フィルタリングと比較して関係の精度を26.4%向上させた。 SuppKGは2,928のDS固有のノードで構成される。 DS-Gene1-Function-Gene2-Drugは44例(88%)、DS-Gene1-Function-Gene2-Drugは32例(64%)であった。 解離:SemRepDSを用いて抽出したSuppKGは,現在の文献では見つからない有毒なDSIを見つけるために用いられた。 SuppKGの性質により、これらの相互作用は拡張DS項なしでSemRepを使用することは不可能である。 ConCLUSION: SemRepをDS情報を含むよう拡張し、潜在的DS-Drug相互作用を見つけるために使用できるSuppKGを生成する。

関連論文リスト

• Learning to Denoise Biomedical Knowledge Graph for Robust Molecular Interaction Prediction [50.7901190642594]
  分子間相互作用予測のためのバイオKDN (Biomedical Knowledge Graph Denoising Network) を提案する。 BioKDNは、ノイズの多いリンクを学習可能な方法で識別することで、局所的な部分グラフの信頼性の高い構造を洗練する。 ターゲットの相互作用に関する関係を円滑にすることで、一貫性とロバストなセマンティクスを維持する。
  論文  参考訳（メタデータ） (2023-12-09T07:08:00Z)
• 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)
• MedDistant19: A Challenging Benchmark for Distantly Supervised Biomedical Relation Extraction [19.046156065686308]
  遠隔監視は、注釈付きデータの不足に対処するために一般的に使用される。 バイオDSREモデルは、いくつかのベンチマークで非常に正確な結果が得られるように見える。 しかし,タスクの難易度を考慮し,このような印象的な結果の有効性について検討した。
  論文  参考訳（メタデータ） (2022-04-10T22:07:25Z)
• 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)
• Does constituency analysis enhance domain-specific pre-trained BERT models for relation extraction? [0.0]
  BioCreative VII の DrugProt トラックは、関係抽出システムの開発と評価のための手動注釈付きコーパスを提供する。 本稿では,提案提案に使用したアンサンブルシステムについて述べる。このシステムでは,細調整されたbioBERT,sciBERT,const-bioBERTモデルを多数決で予測する。
  論文  参考訳（メタデータ） (2021-11-25T10:27:10Z)
• Discovering Drug-Target Interaction Knowledge from Biomedical Literature [107.98712673387031]
  人体における薬物と標的(DTI)の相互作用は、生物医学や応用において重要な役割を担っている。 毎年何百万もの論文がバイオメディカル分野で出回っているので、文学からDTIの知識を自動的に発見することは、業界にとって急激な需要となっている。 生成的アプローチを用いて,この課題に対する最初のエンドツーエンドソリューションについて検討する。 我々はDTI三重項をシーケンスとみなし、Transformerベースのモデルを使ってエンティティや関係の詳細なアノテーションを使わずに直接生成する。
  論文  参考訳（メタデータ） (2021-09-27T17:00:14Z)
• Deep Learning Models in Detection of Dietary Supplement Adverse Event Signals from Twitter [11.012772355341086]
  本研究の目的は、Twitterから食事補助関連有害事象(DS AEs)の信号を検出するためのディープラーニングパイプラインを開発することである。
  論文  参考訳（メタデータ） (2021-06-21T20:35:01Z)
• SumGNN: Multi-typed Drug Interaction Prediction via Efficient Knowledge Graph Summarization [64.56399911605286]
  本稿では,サブグラフ抽出モジュールによって実現された知識要約グラフニューラルネットワークSumGNNを提案する。 SumGNNは5.54%まで最高のベースラインを上回り、データ関係の低いタイプでは特にパフォーマンスの向上が顕著である。
  論文  参考訳（メタデータ） (2020-10-04T00:14:57Z)
• Deep Learning Approaches for Extracting Adverse Events and Indications of Dietary Supplements from Clinical Text [16.577591546742823]
  本研究の目的は、深層学習モデルを用いて、臨床テキストにおける食事サプリメント(DS)の使用に関する安全性シグナルを抽出できることを実証することである。 深層学習モデルは、DSの使用の安全性を監視する大きな可能性を秘めている臨床ノートにおいて、有害事象やDSの徴候を検出することができる。
  論文  参考訳（メタデータ） (2020-09-16T16:18:04Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。