論文の概要: The Neural Metric Factorization for Computational Drug Repositioning
- arxiv url: http://arxiv.org/abs/2109.07690v1
- Date: Thu, 16 Sep 2021 03:14:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-17 13:53:48.946607
- Title: The Neural Metric Factorization for Computational Drug Repositioning
- Title（参考訳）: 計算薬物再配置のためのニューラルメトリック因子分解
- Authors: Xinxing Yang and Genke Yang
- Abstract要約: 計算薬物再配置は、市販薬物の新しい治療疾患を発見することを目的としている。
行列因数分解モデルは, 医薬再配置における主要な基礎技術となっている。
本稿では, 医薬再配置のためのニューラル・メトリック・ファクター化モデルを提案する。
- 参考スコア（独自算出の注目度）: 1.5206182560183663
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computational drug repositioning aims to discover new therapeutic diseases
for marketed drugs and has the advantages of low cost, short development cycle,
and high controllability compared to traditional drug development. The matrix
factorization model has become a mainstream cornerstone technique for
computational drug repositioning due to its ease of implementation and
excellent scalability. However, the matrix factorization model uses the inner
product operation to represent the association between drugs and diseases,
which is lacking in expressive ability. Moreover, the degree of similarity of
drugs or diseases could not be implied on their respective latent factor
vectors, which is not satisfy the common sense of drug discovery. Therefore, a
neural metric factorization model for computational drug repositioning is
proposed in this work. We novelly consider the latent factor vector of drugs
and diseases as a point in a high-dimensional coordinate system and propose a
generalized Euclidean distance to represent the association between drugs and
diseases to compensate for the shortcomings of the inner product operation.
Furthermore, by embedding multiple drug and disease metrics information into
the encoding space of the latent factor vector, the latent factor vectors of
similar drugs or diseases are made closer. Finally, we conduct wide analysis
experiments on two real datasets to demonstrate the effectiveness of the above
improvement points and the superiority of the NMF model.
- Abstract（参考訳）: 計算的な薬物再配置は、市販薬の新しい治療疾患を発見することを目的としており、従来の医薬品開発に比べて低コスト、短期間の開発サイクル、高制御性という利点がある。
行列因数分解モデルは, 実装が容易で, スケーラビリティに優れ, 計算薬品再配置の主流となる技術となっている。
しかし、マトリックス因子化モデルは内積操作を用いて、表現能力に乏しい薬物と疾患の関連を表現する。
さらに、薬物や疾患の類似性の程度は、それぞれの潜伏因子ベクターに含められず、薬物発見の常識を満たさない。
そこで本研究では, 計算薬物再配置のためのニューラルメトリック因子化モデルを提案する。
本稿では, 薬物・疾患の潜伏因子ベクトルを高次元座標系における点として, 内製品手術の欠点を補うために, 薬物・疾患の関連を表わすユークリッド距離の一般化を提案する。
さらに、潜伏因子ベクターの符号化空間に複数の薬物及び疾患指標情報を埋め込むことにより、類似した薬物又は疾患の潜伏因子ベクターを近づける。
最後に、上記の改善点の有効性とNMFモデルの優位性を示すために、2つの実データに対して広範囲に解析実験を行う。
関連論文リスト
- Large Language Models in Drug Discovery and Development: From Disease Mechanisms to Clinical Trials [49.19897427783105]
大規模言語モデル(LLM)の創薬・開発分野への統合は、重要なパラダイムシフトである。
これらの先進的な計算モデルが、ターゲット・ディスリーズ・リンクを明らかにし、複雑なバイオメディカルデータを解釈し、薬物分子設計を強化し、薬物の有効性と安全性を予測し、臨床治験プロセスを促進する方法について検討する。
論文 参考訳（メタデータ） (2024-09-06T02:03:38Z) - drGAT: Attention-Guided Gene Assessment of Drug Response Utilizing a Drug-Cell-Gene Heterogeneous Network [9.637695046701493]
drGATは、薬物に対する感受性を予測するグラフ深層学習モデルである。
drGATは既存のモデルよりも優れた性能を示し、精度は78%、F1スコアは76%、DNA損傷物質は269である。
本手法は薬剤感受性を正確に予測するために有用であり,がん患者の治療に関するバイオマーカーの同定に有用である。
論文 参考訳（メタデータ） (2024-05-14T22:16:52Z) - Enhancing Acute Kidney Injury Prediction through Integration of Drug
Features in Intensive Care Units [0.0]
急性腎障害(AKI)予測と腎障害薬との関連は, 治療現場ではまだ検討されていない。
そこで本研究では,患者処方データをモダリティとして活用し,既存のAKI予測モデルを改善する手法を提案する。
論文 参考訳（メタデータ） (2024-01-09T05:42:32Z) - ALNSynergy: a graph convolutional network with multi-representation alignment for drug synergy prediction [8.316187397380244]
薬物の組み合わせは、特定の疾患を同時に治療するための2つ以上の薬物の使用を指す。
本研究では,薬物相乗効果を予測するための多表現アライメントを備えたグラフ畳み込みネットワークであるALNSynergyを提案する。
論文 参考訳（メタデータ） (2023-11-27T15:34:14Z) - Emerging Drug Interaction Prediction Enabled by Flow-based Graph Neural
Network with Biomedical Network [69.16939798838159]
本稿では,新興医薬品の相互作用を効果的に予測できるグラフニューラルネットワーク(GNN)であるEmerGNNを提案する。
EmerGNNは、薬物ペア間の経路を抽出し、ある薬物から他の薬物へ情報を伝達し、関連する生物学的概念を経路に組み込むことで、薬物のペアワイズ表現を学習する。
全体として、EmerGNNは、新興薬物の相互作用を予測する既存のアプローチよりも精度が高く、バイオメディカルネットワーク上で最も関連性の高い情報を特定できる。
論文 参考訳（メタデータ） (2023-11-15T06:34:00Z) - 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) - Causal Inference via Nonlinear Variable Decorrelation for Healthcare
Applications [60.26261850082012]
線形および非線形共振の両方を扱う可変デコリレーション正規化器を用いた新しい手法を提案する。
我々は、モデル解釈可能性を高めるために、元の特徴に基づくアソシエーションルールマイニングを用いた新しい表現として、アソシエーションルールを採用する。
論文 参考訳（メタデータ） (2022-09-29T17:44:14Z) - Relational graph convolutional networks for predicting blood-brain
barrier penetration of drug molecules [12.041672273431994]
薬物分子のBBB透過能の評価は、脳薬物開発における重要なステップである。
関連グラフ畳み込みネットワーク(RGCN)を用いて,各薬剤の特徴だけでなく,薬物とタンパク質の関係も扱う。
この性能はすでに有望であり、BBB透過性の予測において、薬物-タンパク質/ドラッグ関係が重要な役割を担っていることを証明した。
論文 参考訳（メタデータ） (2021-07-04T15:56:02Z) - Deep Learning for Virtual Screening: Five Reasons to Use ROC Cost
Functions [80.12620331438052]
深層学習は サイリコの何十億もの分子を 迅速にスクリーニングする 重要なツールとなりました
その重要性にもかかわらず、厳密なクラス不均衡、高い決定しきい値、いくつかのデータセットにおける基底真理ラベルの欠如など、これらのモデルのトレーニングにおいて重大な課題が続いている。
このような場合、クラス不均衡に対するロバスト性から、レシーバ動作特性(ROC)を直接最適化することを好んで論じる。
論文 参考訳（メタデータ） (2020-06-25T08:46:37Z) - Hybrid Attentional Memory Network for Computational drug repositioning [0.0]
コールドスタート問題は、常に計算薬物再配置の分野で大きな課題であった。
本稿では,CFモデルの2つのクラスを非線形に結合した階層型アーキテクチャであるHAMNモデルを提案する。
提案するHAMNモデルは、AUC, AUPR, HR指標により、他の比較モデルよりも優れている。
論文 参考訳（メタデータ） (2020-06-12T02:12:32Z) - 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。