論文の概要: Toward Robust Drug-Target Interaction Prediction via Ensemble Modeling and Transfer Learning

• arxiv url: http://arxiv.org/abs/2107.00719v1
• Date: Fri, 2 Jul 2021 04:00:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-05 12:42:26.651367
• Title: Toward Robust Drug-Target Interaction Prediction via Ensemble Modeling and Transfer Learning
• Title（参考訳）: アンサンブルモデリングと伝達学習によるロバスト薬物・標的相互作用予測に向けて
• Authors: Po-Yu Kao, Shu-Min Kao, Nan-Lan Huang, Yen-Chu Lin
• Abstract要約: 本稿では,DTI予測のための深層学習モデル(EnsembleDLM)のアンサンブルを紹介する。 EnsembleDLMは、化学物質やタンパク質の配列情報のみを使用し、複数のディープニューラルネットワークからの予測を集約する。 DavisとKIBAのデータセットで最先端のパフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Drug-target interaction (DTI) prediction plays a crucial role in drug discovery, and deep learning approaches have achieved state-of-the-art performance in this field. We introduce an ensemble of deep learning models (EnsembleDLM) for robust DTI prediction. EnsembleDLM only uses the sequence information of chemical compounds and proteins, and it aggregates the predictions from multiple deep neural networks. This approach reduces the chance of overfitting, yields an unbiased prediction, and achieves state-of-the-art performance in Davis and KIBA datasets. EnsembleDLM also reaches state-of-the-art performance in cross-domain applications and decent cross-domain performance (Pearson correlation coefficient and concordance index > 0.8) with transfer learning using approximately twice the amount of test data in the new domain.
• Abstract（参考訳）: 薬物-標的相互作用(DTI)予測は薬物発見において重要な役割を担い、ディープラーニングアプローチはこの分野で最先端のパフォーマンスを達成した。 本稿では,DTI予測のための深層学習モデル(EnsembleDLM)のアンサンブルを紹介する。 EnsembleDLMは化学物質やタンパク質の配列情報のみを使用し、複数のディープニューラルネットワークからの予測を集約する。 このアプローチはオーバーフィッティングの機会を減らし、バイアスのない予測をもたらし、DavisとKIBAのデータセットで最先端のパフォーマンスを達成する。 EnsembleDLMは、新しいドメインにおけるテストデータの約2倍の量を用いて転送学習を行い、クロスドメインアプリケーションにおける最先端性能と適切なクロスドメインパフォーマンス(ピアソン相関係数とコンコータンス指数 > 0.8)を達成する。

関連論文リスト

• On Machine Learning Approaches for Protein-Ligand Binding Affinity Prediction [2.874893537471256]
  本研究では,タンパク質-リガンド結合親和性予測における古典的木モデルと高度なニューラルネットワークの性能を評価する。 2次元モデルと3次元モデルを組み合わせることで、現在の最先端のアプローチを超えて、アクティブな学習結果が向上することを示す。
  論文  参考訳（メタデータ） (2024-07-15T13:06:00Z)
• Benchmark on Drug Target Interaction Modeling from a Structure Perspective [48.60648369785105]
  薬物と標的の相互作用の予測は、薬物の発見と設計に不可欠である。 グラフニューラルネットワーク(GNN)やトランスフォーマーに基づく最近の手法は、さまざまなデータセットで例外的なパフォーマンスを示している。 我々は,GNNベースと暗黙的(トランスフォーマーベース)構造学習アルゴリズムを多用することにより,構造の観点からの薬物-標的相互作用モデリングの総合的な調査とベンチマークを行う。
  論文  参考訳（メタデータ） (2024-07-04T16:56:59Z)
• A Cross-Field Fusion Strategy for Drug-Target Interaction Prediction [85.2792480737546]
  既存の方法は、DTI予測中にグローバルなタンパク質情報を利用することができない。 ローカルおよびグローバルなタンパク質情報を取得するために、クロスフィールド情報融合戦略が採用されている。 SiamDTI予測法は、新規薬物や標的に対する他の最先端(SOTA)法よりも高い精度を達成する。
  論文  参考訳（メタデータ） (2024-05-23T13:25:20Z)
• ResDTA: Predicting Drug-Target Binding Affinity Using Residual Skip Connections [0.0]
  本稿では,DT結合親和性を予測するための深層学習手法を提案する。 提案したモデルでは,最大のベンチマークデータセットの1つにおいて,最高のコンコーダンス指標(CI)性能を達成している。
  論文  参考訳（メタデータ） (2023-03-20T20:27:11Z)
• Domain Adaptation with Adversarial Training on Penultimate Activations [82.9977759320565]
  教師なし領域適応(Unsupervised Domain Adaptation, UDA)の重要な目的は、ラベルなし対象データに対するモデル予測の信頼性を高めることである。 我々は,この戦略が,入力画像や中間特徴に対する敵対的訓練よりも予測信頼性を高める目的と,より効率的で相関性が高いことを示す。
  論文  参考訳（メタデータ） (2022-08-26T19:50:46Z)
• Interpretable bilinear attention network with domain adaptation improves drug-target prediction [4.15790071124993]
  DrugBANは、薬物と標的の間のペアワイドな局所的な相互作用を学ぶためのドメイン適応を備えたディープバイラインアテンションネットワークフレームワークである。 DrugBANは、予測を行うために、薬物分子グラフと標的タンパク質配列に取り組んでいる。 3つのベンチマークデータセットの実験から、DragonBANは5つの最先端ベースラインに対して、最高の全体的なパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2022-08-03T16:27:29Z)
• Multiple Similarity Drug-Target Interaction Prediction with Random Walks and Matrix Factorization [16.41618129467975]
  我々は、異なるレイヤが薬物と標的の異なる類似度メトリクスに対応する、多層ネットワークの視点を捉えている。 複数のビューでキャプチャされたトポロジ情報を完全に活用するために,DTI予測のための最適化フレームワーク MDMF を開発した。 このフレームワークは、すべての超分子層にまたがる高次近接を維持するだけでなく、内部積との相互作用を近似する薬物や標的のベクトル表現を学習する。
  論文  参考訳（メタデータ） (2022-01-24T08:02:05Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• A Transductive Multi-Head Model for Cross-Domain Few-Shot Learning [72.30054522048553]
  本稿では,クロスドメインなFew-Shot学習問題に対処するため,TMHFS(Transductive Multi-Head Few-Shot Learning)を提案する。 提案手法は, 4つの異なる対象領域において, 強いベースライン, 微調整を著しく上回っている。
  論文  参考訳（メタデータ） (2020-06-08T02:39:59Z)
• 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。