Fugu-MT 論文翻訳(概要): Drug Similarity and Link Prediction Using Graph Embeddings on Medical Knowledge Graphs

論文の概要: Drug Similarity and Link Prediction Using Graph Embeddings on Medical Knowledge Graphs

arxiv url: http://arxiv.org/abs/2110.13047v1
Date: Fri, 22 Oct 2021 06:22:36 GMT
ステータス: 処理完了
システム内更新日: 2021-10-26 17:18:52.056553
Title: Drug Similarity and Link Prediction Using Graph Embeddings on Medical Knowledge Graphs
Title（参考訳）: 医用知識グラフ上のグラフ埋め込みを用いた薬物類似性とリンク予測
Authors: Prakhar Gurawa and Matthias Nickles
Abstract要約: 本稿では,大規模バイオメディカルデータベースのエンティティに生成されたグラフ埋め込みを利用してリンク予測を行う。グラフ埋め込みとリンク予測スコアを用いて, 薬物間の類似度スコアを求める新しいノード類似度尺度を提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The paper utilizes the graph embeddings generated for entities of a large biomedical database to perform link prediction to capture various new relationships among different entities. A novel node similarity measure is proposed that utilizes the graph embeddings and link prediction scores to find similarity scores among various drugs which can be used by the medical experts to recommend alternative drugs to avoid side effects from original one. Utilizing machine learning on knowledge graph for drug similarity and recommendation will be less costly and less time consuming with higher scalability as compare to traditional biomedical methods due to the dependency on costly medical equipment and experts by the later ones.
Abstract（参考訳）: 本稿では,大規模バイオメディカルデータベースのエンティティに生成されたグラフ埋め込みを用いてリンク予測を行い,異なるエンティティ間の様々な新しい関係を捉える。グラフ埋め込みとリンク予測スコアを利用して、医療専門家が元の薬物の副作用を避けるために代替薬を推奨できる様々な薬物の類似度スコアを求める新しいノード類似度尺度が提案されている。ナレッジグラフ上の機械学習を利用して薬物の類似性と推奨を行うことは、コストのかかる医療機器や専門家に依存することによる従来の生体医学的手法に比べて、コストとスケーラビリティの面での時間の消費が少なくなる。

関連論文リスト

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)
A Comparative Study of Population-Graph Construction Methods and Graph Neural Networks for Brain Age Regression [48.97251676778599]
医用画像では、人口グラフが有望な結果を示しており、主に分類作業に向けられている。人口グラフの抽出は非自明な作業であり、グラフニューラルネットワーク(GNN)の性能に大きな影響を及ぼす可能性がある本研究では,有意義なグラフ構築の重要性を強調し,異なる集団グラフ構築手法による実験を行う。
論文参考訳（メタデータ） (2023-09-26T10:30:45Z)
Multimodal brain age estimation using interpretable adaptive population-graph learning [58.99653132076496]
下流タスクに最適化された人口グラフ構造を学習するフレームワークを提案する。注意機構は、画像と非画像の特徴のセットに重みを割り当てる。グラフ構築において最も重要な注意重みを可視化することにより、グラフの解釈可能性を高める。
論文参考訳（メタデータ） (2023-07-10T15:35:31Z)
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)
Analysis of Drug repurposing Knowledge graphs for Covid-19 [0.0]
本研究は、薬物再資源知識グラフ(DRKG)を用いた新型コロナウイルスの候補薬剤のセットを提案する。 DRKGは、大量のオープンソースバイオメディカル知識を用いて構築された生物学的知識グラフである。ノードと関係埋め込みは知識グラフ埋め込みモデルとニューラルネットワークおよび注意関連モデルを用いて学習される。
論文参考訳（メタデータ） (2022-12-07T19:14:17Z)
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)
KnowAugNet: Multi-Source Medical Knowledge Augmented Medication Prediction Network with Multi-Level Graph Contrastive Learning [8.71936906687061]
本稿では,マルチソース医療知識統合医薬品予測ネットワークである textbfKnowAugNet を提案する。マルチレベルグラフコントラスト学習フレームワークを通じて、医療コード間の多様な関係をキャプチャする。電子カルテに従って、医師が患者に通知された薬の判断を下すのを助けることができる。
論文参考訳（メタデータ） (2022-04-25T15:47:41Z)
Predicting Patient Readmission Risk from Medical Text via Knowledge Graph Enhanced Multiview Graph Convolution [67.72545656557858]
本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。実験により,本手法の有効性が証明され,最先端の性能が得られた。
論文参考訳（メタデータ） (2021-12-19T01:45:57Z)
SumGNN: Multi-typed Drug Interaction Prediction via Efficient Knowledge Graph Summarization [64.56399911605286]
本稿では,サブグラフ抽出モジュールによって実現された知識要約グラフニューラルネットワークSumGNNを提案する。 SumGNNは5.54%まで最高のベースラインを上回り、データ関係の低いタイプでは特にパフォーマンスの向上が顕著である。
論文参考訳（メタデータ） (2020-10-04T00:14:57Z)
Modeling Pharmacological Effects with Multi-Relation Unsupervised Graph Embedding [4.999039245939572]
本稿では,薬物や疾患の潜伏表現を学習するマルチリレーションな教師なしグラフ埋め込みモデルに基づく手法を提案する。薬物と疾患の表現が得られれば、薬物と疾患の間の新しいつながり(つまり、新しい兆候)の可能性を学習する。既知の薬物の表示は、潜在的な表示を予測するモデルを学ぶために使用される。
論文参考訳（メタデータ） (2020-04-30T14:51:25Z)

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。