論文の概要: Discovering Drug-Target Interaction Knowledge from Biomedical Literature

• arxiv url: http://arxiv.org/abs/2109.13187v1
• Date: Mon, 27 Sep 2021 17:00:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-28 15:57:48.326373
• Title: Discovering Drug-Target Interaction Knowledge from Biomedical Literature
• Title（参考訳）: 医学文献から薬物と相互作用の知識の発見
• Authors: Yutai Hou, Yingce Xia, Lijun Wu, Shufang Xie, Yang Fan, Jinhua Zhu, Wanxiang Che, Tao Qin, Tie-Yan Liu
• Abstract要約: 人体における薬物と標的(DTI)の相互作用は、生物医学や応用において重要な役割を担っている。 毎年何百万もの論文がバイオメディカル分野で出回っているので、文学からDTIの知識を自動的に発見することは、業界にとって急激な需要となっている。 生成的アプローチを用いて,この課題に対する最初のエンドツーエンドソリューションについて検討する。 我々はDTI三重項をシーケンスとみなし、Transformerベースのモデルを使ってエンティティや関係の詳細なアノテーションを使わずに直接生成する。
• 参考スコア（独自算出の注目度）: 107.98712673387031
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Interaction between Drugs and Targets (DTI) in human body plays a crucial role in biomedical science and applications. As millions of papers come out every year in the biomedical domain, automatically discovering DTI knowledge from biomedical literature, which are usually triplets about drugs, targets and their interaction, becomes an urgent demand in the industry. Existing methods of discovering biological knowledge are mainly extractive approaches that often require detailed annotations (e.g., all mentions of biological entities, relations between every two entity mentions, etc.). However, it is difficult and costly to obtain sufficient annotations due to the requirement of expert knowledge from biomedical domains. To overcome these difficulties, we explore the first end-to-end solution for this task by using generative approaches. We regard the DTI triplets as a sequence and use a Transformer-based model to directly generate them without using the detailed annotations of entities and relations. Further, we propose a semi-supervised method, which leverages the aforementioned end-to-end model to filter unlabeled literature and label them. Experimental results show that our method significantly outperforms extractive baselines on DTI discovery. We also create a dataset, KD-DTI, to advance this task and will release it to the community.
• Abstract（参考訳）: 薬物と標的(DTI)の相互作用は、生体医学や応用において重要な役割を担っている。 バイオメディカルドメインで毎年何百万もの論文が発行され、医薬品、標的、それらの相互作用に関する三重項である生物医学文献からdti知識を自動的に発見することが、業界で緊急の需要となっている。 既存の生物学的知識の発見方法は、主に詳細な注釈を必要とする抽出的アプローチである(例えば、生物的実体のすべての言及、各2つの実体の関係など)。 しかし、生物医学領域からの専門知識の必要から十分な注釈を得ることは困難で費用がかかる。 これらの課題を克服するために,我々は生成的手法を用いて,この課題に対する最初のエンドツーエンドソリューションを探索する。 我々はDTI三重項をシーケンスとみなし、Transformerベースのモデルを使ってエンティティや関係の詳細なアノテーションを使わずに直接生成する。 さらに、前述のエンドツーエンドモデルを利用してラベルなしの文献をフィルタリングしラベル付けする半教師付き手法を提案する。 実験の結果,本手法はdti発見時の抽出ベースラインを有意に上回ることがわかった。 また、このタスクを進めるためにデータセットKD-DTIを作成し、コミュニティにリリースします。

関連論文リスト

• Generalized knowledge-enhanced framework for biomedical entity and relation extraction [0.6856896119187885]
  バイオメディカルな実体と関係抽出のためのタスク非依存で再利用可能な背景知識グラフを構築するための新しいフレームワークを開発する。 私たちのモデルの設計は、人間がドメイン固有のトピックを学ぶ方法にインスパイアされています。 我々のフレームワークは、そのような共通知識共有機構を用いて、異なるドメイン固有のバイオメディカルテキストに効果的に転送可能な学習が可能な、一般的なニューラルネットワーク知識グラフを構築する。
  論文  参考訳（メタデータ） (2024-08-13T04:06:45Z)
• Intent Detection and Entity Extraction from BioMedical Literature [14.52164637112797]
  言語モデル(LLM)は、汎用知性を達成するための努力によって動機付けられ、タスクやドメイン固有の自然言語理解アプローチを置き換える効果は疑問視されている。 スーパーバイザード・ファイン・チューン(Supervised Fine Tuned)アプローチは, 汎用LLMよりも有用であり, 有効であることを示す。
  論文  参考訳（メタデータ） (2024-04-04T17:09:52Z)
• Diversifying Knowledge Enhancement of Biomedical Language Models using Adapter Modules and Knowledge Graphs [54.223394825528665]
  我々は、軽量なアダプターモジュールを用いて、構造化された生体医学的知識を事前訓練された言語モデルに注入するアプローチを開発した。 バイオメディカル知識システムUMLSと新しいバイオケミカルOntoChemの2つの大きなKGと、PubMedBERTとBioLinkBERTの2つの著名なバイオメディカルPLMを使用している。 計算能力の要件を低く保ちながら,本手法がいくつかの事例において性能改善につながることを示す。
  論文  参考訳（メタデータ） (2023-12-21T14:26:57Z)
• High-throughput Biomedical Relation Extraction for Semi-Structured Web Articles Empowered by Large Language Models [1.9665865095034865]
  関係抽出タスクを大言語モデルのバイナリ分類として定式化する。 メインタイトルをテールエンティティとして指定し、コンテキストに明示的に組み込む。 長い内容はテキストチャンクにスライスされ、埋め込みされ、追加の埋め込みモデルで検索される。
  論文  参考訳（メタデータ） (2023-12-13T16:43:41Z)
• SynerGPT: In-Context Learning for Personalized Drug Synergy Prediction and Drug Design [64.69434941796904]
  本稿では,テキスト内薬物相乗学習のための新しい設定とモデルを提案する。 特定のがん細胞標的の文脈における10～20の薬物相乗関係の「個人化データセット」を作成した。 私たちの目標は、その文脈で追加の薬物シナジー関係を予測することです。
  論文  参考訳（メタデータ） (2023-06-19T17:03:46Z)
• EBOCA: Evidences for BiOmedical Concepts Association Ontology [55.41644538483948]
  本論文は,生物医学領域の概念とそれらの関連性を記述するオントロジーであるEBOCAと,それらの関連性を支持するエビデンスを提案する。 DISNETのサブセットから得られるテストデータとテキストからの自動アソシエーション抽出が変換され、実際のシナリオで使用できる知識グラフが作成されるようになった。
  論文  参考訳（メタデータ） (2022-08-01T18:47:03Z)
• Knowledge-Rich Self-Supervised Entity Linking [58.838404666183656]
  Knowledge-RIch Self-Supervision(KRISSBERT$)は400万のUMLSエンティティのためのユニバーサルエンティティリンカーである。 提案手法はゼロショット法と少数ショット法を仮定し,利用可能であればエンティティ記述やゴールドレファレンスラベルを簡単に組み込むことができる。 ラベル付き情報を一切使わずに400万のUMLSエンティティのためのユニバーサルエンティティリンカである$tt KRISSBERT$を生成する。
  論文  参考訳（メタデータ） (2021-12-15T05:05:12Z)
• R-BERT-CNN: Drug-target interactions extraction from biomedical literature [1.8814209805277506]
  薬物プロットタスクのBioCreative VIIへの参加について紹介する。 薬物-標的相互作用(DTI)は、薬物の発見と再資源化に重要である。 PubMedには32万件のバイオメディカル記事があり、このような膨大な知識ベースからDTIを手作業で抽出することは困難である。
  論文  参考訳（メタデータ） (2021-10-31T22:50:33Z)
• Towards Incorporating Entity-specific Knowledge Graph Information in Predicting Drug-Drug Interactions [1.14219428942199]
  本稿では,他のバイオメディカル・エンティティとの相互作用から得られる薬物の埋め込みと,ドメイン固有のBioBERT埋め込みに基づくRCアーキテクチャを組み合わせる新しい手法であるBERTKG-DDIを提案する。 DDIExtraction 2013 コーパスで行った実験では、この戦略が他のベースラインアーキテクチャを4.1%マクロF1スコアで改善することを明確に示している。
  論文  参考訳（メタデータ） (2020-12-21T06:44:32Z)
• 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)

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。