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
- MIN: Multi-channel Interaction Network for Drug-Target Interaction with Protein Distillation [64.4838301776267]
マルチチャネルインタラクションネットワーク(MIN)はドラッグ・ターゲット・インタラクション(DTI)を予測するための新しいフレームワークである
MINには、表現学習モジュールとマルチチャネルインタラクションモジュールが組み込まれている。
MINはDTI予測の強力なツールであるだけでなく、タンパク質結合部位の予測に関する新たな洞察も提供する。
論文 参考訳(メタデータ) (2024-11-23T05:38:36Z) - A Heterogeneous Network-based Contrastive Learning Approach for Predicting Drug-Target Interaction [3.1923357295923225]
薬物と標的の相互作用(DTI)の予測は、薬物開発と再配置に不可欠である。
HNCL-DTIと呼ばれる異種ネットワークに基づくコントラスト学習手法を提案する。
実験結果から,HNCL-DTIはベンチマークデータセット上で既存の高度なベースライン手法よりも優れていた。
論文 参考訳(メタデータ) (2024-10-20T14:57:24Z) - 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) - MOTIVE: A Drug-Target Interaction Graph For Inductive Link Prediction [0.29998889086656577]
本稿では,11,000遺伝子と3,600化合物のセルペイント機能を有する形態的cOmpoundターゲット相互作用グラフであるMOTIVEについて紹介する。
我々は、現実的なユースケース下で厳密な評価を可能にするために、ランダムでコールドソース(新薬)とコールドターゲット(新遺伝子)データを分割する。
ベンチマークの結果,Cell Painting機能を用いたグラフニューラルネットワークは,グラフ構造のみから学習したニューラルネットワークよりも一貫して優れていた。
論文 参考訳(メタデータ) (2024-06-12T21:18:14Z) - HiGraphDTI: Hierarchical Graph Representation Learning for Drug-Target Interaction Prediction [15.005837084219355]
階層型グラフ表現学習に基づくDTI予測法(HiGraphDTI)を提案する。
具体的には、HiGraphDTIは三重レベル分子グラフから階層的な薬物表現を学び、原子、モチーフ、分子に埋め込まれた化学情報を徹底的に活用する。
注目特徴融合モジュールは、異なる受容領域からの情報を組み込んで表現対象特徴を抽出する。
論文 参考訳(メタデータ) (2024-04-16T13:35:24Z) - 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) - 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) - 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。