論文の概要: Graph2MDA: a multi-modal variational graph embedding model for predicting microbe-drug associations

• arxiv url: http://arxiv.org/abs/2108.06338v1
• Date: Sat, 14 Aug 2021 07:33:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-16 13:00:23.057781
• Title: Graph2MDA: a multi-modal variational graph embedding model for predicting microbe-drug associations
• Title（参考訳）: graph2mda:microbe-drug関連を予測するマルチモーダル変分グラフ埋め込みモデル
• Authors: Lei Deng, Yibiao Huang, Xuejun Liu and Hui Liu
• Abstract要約: 微生物は抗菌剤の開発に新たな標的となっている。 微生物と薬物の関連性のスクリーニングは、薬物の研究と開発に大きな利益をもたらす。 微生物と薬物の関連性を予測する新しい方法であるGraph2MDAを提案する。
• 参考スコア（独自算出の注目度）: 7.149873402253933
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accumulated clinical studies show that microbes living in humans interact closely with human hosts, and get involved in modulating drug efficacy and drug toxicity. Microbes have become novel targets for the development of antibacterial agents. Therefore, screening of microbe-drug associations can benefit greatly drug research and development. With the increase of microbial genomic and pharmacological datasets, we are greatly motivated to develop an effective computational method to identify new microbe-drug associations. In this paper, we proposed a novel method, Graph2MDA, to predict microbe-drug associations by using variational graph autoencoder (VGAE). We constructed multi-modal attributed graphs based on multiple features of microbes and drugs, such as molecular structures, microbe genetic sequences, and function annotations. Taking as input the multi-modal attribute graphs, VGAE was trained to learn the informative and interpretable latent representations of each node and the whole graph, and then a deep neural network classifier was used to predict microbe-drug associations. The hyperparameter analysis and model ablation studies showed the sensitivity and robustness of our model. We evaluated our method on three independent datasets and the experimental results showed that our proposed method outperformed six existing state-of-the-art methods. We also explored the meaningness of the learned latent representations of drugs and found that the drugs show obvious clustering patterns that are significantly consistent with drug ATC classification. Moreover, we conducted case studies on two microbes and two drugs and found 75\%-95\% predicted associations have been reported in PubMed literature. Our extensive performance evaluations validated the effectiveness of our proposed method.\
• Abstract（参考訳）: 蓄積された臨床研究によると、ヒトに生息する微生物はヒトの宿主と密接に相互作用し、薬物効果や薬物毒性の調節に関与している。 微生物は抗菌剤の開発に新たな標的となっている。 したがって、微生物ドラッグ協会のスクリーニングは、薬物研究と開発に大きな利益をもたらす可能性がある。 微生物ゲノムと薬理学のデータセットの増加に伴い,新しい微生物-薬物関連を同定する効果的な計算手法の開発が大きな動機となっている。 本稿では、変動グラフオートエンコーダ(VGAE)を用いて、微生物と薬物の関係を予測する新しい方法、Graph2MDAを提案する。 分子構造, 微生物遺伝子配列, 機能アノテーションなど, 微生物や薬物の多機能性に基づくマルチモーダル属性グラフを構築した。 マルチモーダル属性グラフの入力として、vgaeは各ノードとグラフ全体の情報的かつ解釈可能な潜在表現を学ぶように訓練され、さらに深層ニューラルネットワーク分類器を使用してマイクロ薬物関連を予測する。 ハイパーパラメータ解析およびモデルアブレーション研究により,本モデルの感度と堅牢性を示した。 提案手法は3つの独立したデータセット上で評価し,提案手法が既存の6つの最先端手法を上回った。 また,学習した薬物の潜在表現の意味についても検討し,薬物のATC分類と有意に一致した明らかなクラスタリングパターンを示した。 さらに, 2つの微生物と2つの薬剤のケーススタディを行い, pubmed literatureで75\%-95\%の関連が報告された。 提案手法の有効性を検証した。

関連論文リスト

• Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
  目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。 回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
  論文  参考訳（メタデータ） (2024-05-23T13:22:17Z)
• Optimizing OOD Detection in Molecular Graphs: A Novel Approach with Diffusion Models [71.39421638547164]
  本稿では,入力分子と再構成グラフの類似性を比較する補助拡散モデルに基づくフレームワークを用いてOOD分子を検出することを提案する。 IDトレーニングサンプルの再構成に向けた生成バイアスのため、OOD分子の類似度スコアは検出を容易にするためにはるかに低い。 本研究は,PGR-MOOD(PGR-MOOD)とよばれる分子OOD検出のためのプロトタイプグラフ再構成のアプローチを開拓し,3つのイノベーションを生かした。
  論文  参考訳（メタデータ） (2024-04-24T03:25:53Z)
• 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)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• Bridging the gap between target-based and cell-based drug discovery with a graph generative multi-task model [4.917317902787792]
  薬物発見は人間を病気から守る上で極めて重要である。 ターゲットベースのスクリーニングは、過去数十年で最も人気のある新薬開発方法の1つである。 この方法は、標的タンパク質を阻害する候補薬をin vitroで効果的にスクリーニングするが、in vivoで不適切な活性のためにしばしば失敗する。 本研究では,標的の阻害特性と細胞活性特性の両方を有する化合物を同定するグラフ多タスク深層学習モデルを提案する。
  論文  参考訳（メタデータ） (2022-08-09T02:35:42Z)
• 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)
• Deep neural networks approach to microbial colony detection -- a comparative analysis [52.77024349608834]
  本稿では,AGARデータセットを用いた3つの深層学習手法の性能について検討する。 得られた結果は将来の実験のベンチマークとして機能するかもしれない。
  論文  参考訳（メタデータ） (2021-08-23T12:06:00Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Multi-View Self-Attention for Interpretable Drug-Target Interaction Prediction [4.307720252429733]
  機械学習のアプローチでは、分子の数値表現がモデルの性能に欠かせない。 薬物と標的の相互作用をモデル化するための自己注意に基づく多視点表現学習手法を提案する。
  論文  参考訳（メタデータ） (2020-05-01T14:28:17Z)

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。