論文の概要: MOOMIN: Deep Molecular Omics Network for Anti-Cancer Drug Combination Therapy

• arxiv url: http://arxiv.org/abs/2110.15087v1
• Date: Thu, 28 Oct 2021 13:10:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-30 01:20:24.493887
• Title: MOOMIN: Deep Molecular Omics Network for Anti-Cancer Drug Combination Therapy
• Title（参考訳）: MOOMIN:抗癌剤併用療法のためのディープ分子オミクスネットワーク
• Authors: Benedek Rozemberczki and Anna Gogleva and Sebastian Nilsson and Gavin Edwards and Andriy Nikolov and Eliseo Papa
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.446672595462589
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose the molecular omics network (MOOMIN) a multimodal graph neural network that can predict the synergistic effect of drug combinations for cancer treatment. Our model captures the representation based on the context of drugs at multiple scales based on a drug-protein interaction network and metadata. Structural properties of the compounds and proteins are encoded to create vertex features for a message-passing scheme that operates on the bipartite interaction graph. Propagated messages form multi-resolution drug representations which we utilized to create drug pair descriptors. By conditioning the drug combination representations on the cancer cell type we define a synergy scoring function that can inductively score unseen pairs of drugs. Experimental results on the synergy scoring task demonstrate that MOOMIN outperforms state-of-the-art graph fingerprinting, proximity preserving node embedding, and existing deep learning approaches. Further results establish that the predictive performance of our model is robust to hyperparameter changes. We demonstrate that the model makes high-quality predictions over a wide range of cancer cell line tissues, out-of-sample predictions can be validated with external synergy databases, and that the proposed model is data-efficient at learning.
• Abstract（参考訳）: 本稿では,分子オミクスネットワーク(moomin)を用いて,がん治療における薬物組み合わせの相乗効果を予測す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。 化合物とタンパク質の構造特性をコード化して、二部間相互作用グラフで動作するメッセージ通過スキームの頂点特徴を生成する。 プロパゲートメッセージは、薬物対記述子を作成するために使用したマルチレゾリューションドラッグ表現を形成する。 がん細胞型に薬物の組み合わせ表現を条件づけることにより、見当たらない薬物の対を誘導的に得点できる相乗的スコアリング機能を定義する。 シナジースコアリングタスクの実験結果から、MOOMINは最先端のグラフフィンガープリント、近接保存ノード埋め込み、および既存のディープラーニングアプローチより優れていることが示された。 以上の結果から,モデル予測性能はハイパーパラメータ変化にロバストであることが判明した。 本モデルでは, がん細胞株の幅広い組織に対して高品質な予測を行い, 外部シナジーデータベースを用いてサンプル外予測を検証し, 提案モデルが学習においてデータ効率が高いことを示す。

関連論文リスト

• Benchmark on Drug Target Interaction Modeling from a Structure Perspective [48.60648369785105]
  薬物と標的の相互作用の予測は、薬物の発見と設計に不可欠である。 グラフニューラルネットワーク(GNN)やトランスフォーマーに基づく最近の手法は、さまざまなデータセットで例外的なパフォーマンスを示している。 我々は,GNNベースと暗黙的(トランスフォーマーベース)構造学習アルゴリズムを多用することにより,構造の観点からの薬物-標的相互作用モデリングの総合的な調査とベンチマークを行う。
  論文  参考訳（メタデータ） (2024-07-04T16:56:59Z)
• 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)
• 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)
• 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)
• Modeling Polypharmacy and Predicting Drug-Drug Interactions using Deep Generative Models on Multimodal Graphs [6.875312133832078]
  マルチモーダルネットワーク上での潜在ノード表現のモデル化におけるグラフオートエンコーダ(VGAE)の有効性を示す。 提案手法は,マルチモーダルグラフの各ノードタイプに対して柔軟な潜在空間を生成する。 モーガンの指紋は各薬の分子構造を捉え、その前に潜伏した埋め込みをデコードする。
  論文  参考訳（メタデータ） (2023-02-17T04:06:46Z)
• 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)
• Interpreting the Mechanism of Synergism for Drug Combinations Using Attention-Based Hierarchical Graph Pooling [10.898133007285638]
  我々は、基礎となる根本的治療目標と相乗効果(MoS)のメカニズムを明らかにする解釈可能なグラフニューラルネットワーク(GNN)を開発した。 提案したGNNモデルは、検出された重要なサブ分子ネットワークに基づいて、薬物結合の相乗効果を予測し、解釈する体系的な方法を提供する。
  論文  参考訳（メタデータ） (2022-09-19T11:18:45Z)
• Graph2MDA: a multi-modal variational graph embedding model for predicting microbe-drug associations [7.149873402253933]
  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。
  論文  参考訳（メタデータ） (2021-08-14T07:33:05Z)
• DeepDDS: deep graph neural network with attention mechanism to predict synergistic drug combinations [0.9854322576538699]
  計算スクリーニングは 薬物の組み合わせを優先する重要な方法になっています DeepDDSは16%以上の予測精度で競合手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-07-06T08:25:43Z)
• 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)
• 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。