論文の概要: Demystifying Drug Repurposing Domain Comprehension with Knowledge Graph Embedding

• arxiv url: http://arxiv.org/abs/2108.13051v1
• Date: Mon, 30 Aug 2021 08:16:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-31 14:57:16.790572
• Title: Demystifying Drug Repurposing Domain Comprehension with Knowledge Graph Embedding
• Title（参考訳）: 知識グラフ埋め込みによるドメイン理解の非神秘化薬物
• Authors: Edoardo Ramalli, Alberto Parravicini, Guido Walter Di Donato, Mirko Salaris, C\'eline Hudelot, Marco Domenico Santambrogio
• Abstract要約: 医薬品のリサイクルは、医薬品開発コストの上昇と、新興疾患への迅速な対応の必要性により、これまで以上に重要になっている。 知識グラフの埋め込みにより、異種データソースと最先端の機械学習モデルを組み合わせることで、薬物の再利用が可能になる。 薬物再資源化のための機械学習モデルのより良い結果を理解するための構造化手法を提案する。
• 参考スコア（独自算出の注目度）: 0.058720142291102125
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Drug repurposing is more relevant than ever due to drug development's rising costs and the need to respond to emerging diseases quickly. Knowledge graph embedding enables drug repurposing using heterogeneous data sources combined with state-of-the-art machine learning models to predict new drug-disease links in the knowledge graph. As in many machine learning applications, significant work is still required to understand the predictive models' behavior. We propose a structured methodology to understand better machine learning models' results for drug repurposing, suggesting key elements of the knowledge graph to improve predictions while saving computational resources. We reduce the training set of 11.05% and the embedding space by 31.87%, with only a 2% accuracy reduction, and increase accuracy by 60% on the open ogbl-biokg graph adding only 1.53% new triples.
• Abstract（参考訳）: 医薬品開発コストの上昇や、新興疾患への迅速な対応の必要性から、薬物の再利用はこれまでになく重要視されている。 知識グラフの埋め込みにより、ヘテロジニアスなデータソースと最先端の機械学習モデルを組み合わせることで、知識グラフ内の新しい薬物放出リンクを予測することができる。 多くの機械学習アプリケーションと同様に、予測モデルの振る舞いを理解するためには重要な作業が必要である。 薬物再資源化のための機械学習モデルのより良い結果を理解するための構造化手法を提案し、計算資源を節約しながら予測を改善するための知識グラフの重要な要素を提案する。 トレーニングセットの11.05%と埋め込みスペースを31.87%削減し, 精度を2%削減し, オープンなogbl-biokgグラフ上での精度を60%向上した。

関連論文リスト

• Research on Adverse Drug Reaction Prediction Model Combining Knowledge Graph Embedding and Deep Learning [36.703773706187256]
  本稿では,知識グラフの埋め込みと深層学習に基づく薬物反応予測モデルを開発する。 得られた予測モデルは、予測精度と安定性が良好であり、後続の安全な薬剤指導のための効果的な基準を提供することができる。
  論文  参考訳（メタデータ） (2024-07-23T03:25:55Z)
• Normalizing Flow-based Neural Process for Few-Shot Knowledge Graph Completion [69.55700751102376]
  FKGC (Few-shot Knowledge Graph completion) は、失明した事実を、無意味な関連のある事実で予測することを目的としている。 既存のFKGC手法はメートル法学習やメタラーニングに基づいており、しばしば分布外や過度に適合する問題に悩まされる。 本稿では,数ショット知識グラフ補完(NP-FKGC)のためのフローベースニューラルプロセスの正規化を提案する。
  論文  参考訳（メタデータ） (2023-04-17T11:42:28Z)
• 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)
• A Deep Learning Approach to the Prediction of Drug Side-Effects on Molecular Graphs [2.4087148947930634]
  グラフニューラルネットワークを用いて薬物副作用を予測する手法を開発した。 私たちは、自由にアクセス可能で、確立されたデータソースからデータセットを構築します。 その結果,本手法は,多くのパラメータや指標の下で,分類能力の向上を図っている。
  論文  参考訳（メタデータ） (2022-11-30T10:12:41Z)
• Mining On Alzheimer's Diseases Related Knowledge Graph to Identity Potential AD-related Semantic Triples for Drug Repurposing [13.751910502580415]
  我々は、アルツハイマー病(AD)と化学物質、薬物、栄養補助薬との関係を研究するための知識グラフを構築した。 本稿では,このグラフマイニングモデルを用いて,ADと他のエンティティ間の信頼性の高い新しい関係を予測できることを示す。
  論文  参考訳（メタデータ） (2022-02-17T15:33:27Z)
• KGE-CL: Contrastive Learning of Knowledge Graph Embeddings [64.67579344758214]
  本稿では,知識グラフ埋め込みのための簡易かつ効率的な学習フレームワークを提案する。 これは、関連するエンティティと異なる三重項におけるエンティティ-リレーションのカップルのセマンティック距離を短縮することができる。 WN18RRデータセットで51.2% MRR、46.8% Hits@1、59.1% MRR、51.8% Hits@1、YAGO3-10データセットで達成できる。
  論文  参考訳（メタデータ） (2021-12-09T12:45:33Z)
• Predicting Potential Drug Targets Using Tensor Factorisation and Knowledge Graph Embeddings [4.415977307120617]
  我々は、病気の潜在的な薬物標的(遺伝子またはタンパク質)を予測するための新しいテンソル分解モデルを開発した。 薬物発見指向の知識グラフから得られた遺伝子表現を用いてデータを豊かにし,提案手法を適用し,未確認ターゲットと解離ペアの臨床的結果を予測する。
  論文  参考訳（メタデータ） (2021-05-20T16:19:00Z)
• Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
  本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。 その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
  論文  参考訳（メタデータ） (2021-02-02T09:34:34Z)
• 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)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。