論文の概要: Drug-Target Interaction Prediction with Graph Attention networks
- arxiv url: http://arxiv.org/abs/2107.06099v1
- Date: Sat, 10 Jul 2021 07:06:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-15 05:53:38.595191
- Title: Drug-Target Interaction Prediction with Graph Attention networks
- Title(参考訳): グラフ注意ネットワークを用いた薬物・標的相互作用予測
- Authors: Haiyang Wang, Guangyu Zhou, Siqi Liu, Jyun-Yu Jiang and Wei Wang
- Abstract要約: DTI予測のためのエンドツーエンドフレームワークであるDTI-GAT(Drug-Target Interaction Prediction with Graph Attention Network)を提案する。
DTI-GATは、注目機構を備えたグラフ構造化データで動作するディープネットワークニューラルアーキテクチャを組み込んでいる。
実験により、DTI-GATはバイナリDTI予測問題において、様々な最先端システムより優れていることが示された。
- 参考スコア(独自算出の注目度): 26.40249934284416
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Motivation: Predicting Drug-Target Interaction (DTI) is a well-studied topic
in bioinformatics due to its relevance in the fields of proteomics and
pharmaceutical research. Although many machine learning methods have been
successfully applied in this task, few of them aim at leveraging the inherent
heterogeneous graph structure in the DTI network to address the challenge. For
better learning and interpreting the DTI topological structure and the
similarity, it is desirable to have methods specifically for predicting
interactions from the graph structure.
Results: We present an end-to-end framework, DTI-GAT (Drug-Target Interaction
prediction with Graph Attention networks) for DTI predictions. DTI-GAT
incorporates a deep neural network architecture that operates on
graph-structured data with the attention mechanism, which leverages both the
interaction patterns and the features of drug and protein sequences. DTI-GAT
facilitates the interpretation of the DTI topological structure by assigning
different attention weights to each node with the self-attention mechanism.
Experimental evaluations show that DTI-GAT outperforms various state-of-the-art
systems on the binary DTI prediction problem. Moreover, the independent study
results further demonstrate that our model can be generalized better than other
conventional methods.
Availability: The source code and all datasets are available at
https://github.com/Haiyang-W/DTI-GRAPH
- Abstract(参考訳): モチベーション: 薬物と標的の相互作用を予測する(dti)は、プロテオミクスと医薬品研究の分野における関連性から、バイオインフォマティクスにおいてよく研究されているトピックである。
このタスクには多くの機械学習手法がうまく適用されているが、DTIネットワークに固有の異種グラフ構造を活用することを目的としているものはほとんどない。
DTIのトポロジ構造と類似性をよりよく学習し,解釈するためには,グラフ構造から相互作用を予測する方法が望ましい。
結果: DTI予測のためのエンドツーエンドフレームワークであるDTI-GAT(Drug-Target Interaction Prediction with Graph Attention Network)を提案する。
dti-gatは、相互作用パターンと薬物およびタンパク質配列の特徴の両方を利用する注意機構を備えたグラフ構造化データで動作するディープニューラルネットワークアーキテクチャを組み込んでいる。
DTI-GATは、DTIのトポロジ構造を自己注意機構で各ノードに異なる注意重みを割り当てることで解釈しやすくする。
実験により、DTI-GATはバイナリDTI予測問題において、様々な最先端システムより優れていることが示された。
さらに, 独立研究により, 従来の手法よりもモデルをより一般化できることが実証された。
可用性: ソースコードとすべてのデータセットはhttps://github.com/Haiyang-W/DTI-GRAPHで公開されている。
関連論文リスト
- Hierarchical Graph Representation Learning for the Prediction of
Drug-Target Binding Affinity [7.023929372010717]
本稿では,薬物結合親和性予測,すなわちHGRL-DTAのための新しい階層グラフ表現学習モデルを提案する。
本稿では,グローバルレベルの親和性グラフと局所レベルの分子グラフから得られた階層的表現を統合するためのメッセージブロードキャスティング機構を採用し,また,類似性に基づく埋め込みマップを設計し,未知の薬物や標的に対する表現の推論というコールドスタート問題を解決する。
論文 参考訳(メタデータ) (2022-03-22T04:50:16Z) - 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) - HampDTI: a heterogeneous graph automatic meta-path learning method for
drug-target interaction prediction [4.499861098235355]
異種グラフ自動メタパス学習に基づくDTI予測法(HampDTI)を提案する。
HampDTIは、薬物と標的の間の重要なメタパスをHNから自動的に学習し、メタパスグラフを生成する。
ベンチマークデータを用いた実験により,提案したHampDTIは最先端のDTI予測手法と比較して優れた性能を示した。
論文 参考訳(メタデータ) (2021-12-16T02:12:03Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳(メタデータ) (2021-09-06T13:10:37Z) - Toward Robust Drug-Target Interaction Prediction via Ensemble Modeling
and Transfer Learning [0.0]
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。
論文 参考訳(メタデータ) (2021-07-02T04:00:03Z) - 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) - Graph Backdoor [53.70971502299977]
GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。
GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。
トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
論文 参考訳(メタデータ) (2020-06-21T19:45:30Z) - GoGNN: Graph of Graphs Neural Network for Predicting Structured Entity
Interactions [70.9481395807354]
本稿では,構造化エンティティグラフとエンティティ相互作用グラフの両方の特徴を階層的に抽出するグラフ・オブ・グラフニューラルネットワーク(GoGNN)を提案する。
GoGNNは、2つの代表的な構造化エンティティ相互作用予測タスクにおいて最先端の手法より優れている。
論文 参考訳(メタデータ) (2020-05-12T03:46:15Z) - MolTrans: Molecular Interaction Transformer for Drug Target Interaction
Prediction [68.5766865583049]
薬物標的相互作用(DTI)予測は、シリコ薬物発見の基本的な課題である。
近年、DTI予測におけるディープラーニングの進歩が期待されている。
これらの制約に対処する分子間相互作用変換器(TransMol)を提案する。
論文 参考訳(メタデータ) (2020-04-23T18:56:04Z) - DeepPurpose: a Deep Learning Library for Drug-Target Interaction
Prediction [69.7424023336611]
DeepPurposeは、DTI予測のための包括的で使いやすいディープラーニングライブラリである。
15の複合およびタンパク質エンコーダと50以上のニューラルアーキテクチャを実装することで、カスタマイズされたDTI予測モデルのトレーニングをサポートする。
複数のベンチマークデータセット上でDeepPurposeの最先端性能を示す。
論文 参考訳(メタデータ) (2020-04-19T17:31:55Z)
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。