論文の概要: R-BERT-CNN: Drug-target interactions extraction from biomedical literature

• arxiv url: http://arxiv.org/abs/2111.00611v1
• Date: Sun, 31 Oct 2021 22:50:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-02 14:04:20.582416
• Title: R-BERT-CNN: Drug-target interactions extraction from biomedical literature
• Title（参考訳）: R-BERT-CNN : 医学文献からの薬物・標的相互作用の抽出
• Authors: Jehad Aldahdooh, Ziaurrehman Tanoli, Jing Tang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.8814209805277506
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this research, we present our work participation for the DrugProt task of BioCreative VII challenge. Drug-target interactions (DTIs) are critical for drug discovery and repurposing, which are often manually extracted from the experimental articles. There are >32M biomedical articles on PubMed and manually extracting DTIs from such a huge knowledge base is challenging. To solve this issue, we provide a solution for Track 1, which aims to extract 10 types of interactions between drug and protein entities. We applied an Ensemble Classifier model that combines BioMed-RoBERTa, a state of art language model, with Convolutional Neural Networks (CNN) to extract these relations. Despite the class imbalances in the BioCreative VII DrugProt test corpus, our model achieves a good performance compared to the average of other submissions in the challenge, with the micro F1 score of 55.67% (and 63% on BioCreative VI ChemProt test corpus). The results show the potential of deep learning in extracting various types of DTIs.
• Abstract（参考訳）: 本稿では,BioCreative VII チャレンジの薬物プロット課題への取り組みについて紹介する。 薬物-標的相互作用(DTI)は、しばしば実験記事から手動で抽出される薬物の発見と再精製に重要である。 このような膨大な知識ベースからdtisを手作業で抽出するpubmedのバイオメディカル記事は32万以上ある。 この問題を解決するために,薬物とタンパク質の相互作用を10種類抽出することを目的としたトラック1のソリューションを提供する。 本研究では,最先端の言語モデルであるBioMed-RoBERTaと畳み込みニューラルネットワーク(CNN)を組み合わせたEnsemble Classifierモデルを適用し,これらの関係を抽出した。 BioCreative VII DrugProt test corpusでは,クラス不均衡にもかかわらず,マイクロF1スコアは55.67%(BioCreative VI ChemProt test corpusでは63%)で,他の提案よりも優れた性能を示した。 その結果,様々なDTIの抽出における深層学習の可能性が示唆された。

関連論文リスト

• 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)
• BiomedGPT: A Generalist Vision-Language Foundation Model for Diverse Biomedical Tasks [68.39821375903591]
  汎用AIは、さまざまなデータ型を解釈する汎用性のために、制限に対処する可能性を秘めている。 本稿では,最初のオープンソースかつ軽量な視覚言語基盤モデルであるBiomedGPTを提案する。
  論文  参考訳（メタデータ） (2023-05-26T17:14:43Z)
• 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)
• CU-UD: text-mining drug and chemical-protein interactions with ensembles of BERT-based models [12.08949974675794]
  BioCreative VII track 1 DrugProt taskは、PubMedの抽象化における化学物質/ドラッグと遺伝子/タンパク質の関係を自動的に検出できるシステムの開発と評価を促進することを目的としている。 本稿では,複数のBERT言語モデルを含むアンサンブルシステムについて述べる。 F1スコア0.7739の精度で0.7708、リコール0.7770を取得し、BERTに基づく言語モデルのアンサンブルを用いて、化学物質とタンパク質の関係を自動的に検出する効果を実証した。
  論文  参考訳（メタデータ） (2021-11-11T13:55:21Z)
• Discovering Drug-Target Interaction Knowledge from Biomedical Literature [107.98712673387031]
  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。
  論文  参考訳（メタデータ） (2021-09-27T17:00:14Z)
• A Novel Framework Integrating AI Model and Enzymological Experiments Promotes Identification of SARS-CoV-2 3CL Protease Inhibitors and Activity-based Probe [8.35958386389992]
  我々は,SARS-CoV-2の3CLプロテアーゼに対する阻害剤を同定するための新しいフレームワークであるAIMEEを提案する。 生物活性化学ライブラリーから2ラウンドの実験を行い、29.41%の新規阻害剤を同定した。 我々は,AIMEEにおける中心モデルの解釈可能性について検討し,深層学習の特徴を化学特性の領域知識にマッピングした。
  論文  参考訳（メタデータ） (2021-05-29T06:23:05Z)
• Neural networks for Anatomical Therapeutic Chemical (ATC) [83.73971067918333]
  両方向の長期記憶ネットワーク(BiLSTM)から抽出された集合を含む、特徴の異なるセットで訓練された複数の複数ラベル分類器を組み合わせることを提案する。 実験はこのアプローチのパワーを実証し、文献で報告された最良の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2021-01-22T19:49:47Z)
• Discovering Synergistic Drug Combinations for COVID with Biological Bottleneck Models [38.637412590671865]
  薬物と薬物の相互作用と相乗効果を共同で学習するリンパ球学的ボトルネックモデルを提案する。 このモデルは、ドラッグ・ターゲット・インタラクションとターゲット・ディスリーズ・アソシエーション・モジュールの2つの部分から構成される。 我々は米国国立翻訳科学センターでモデル予測を実験的に検証した。
  論文  参考訳（メタデータ） (2020-11-09T03:30:44Z)
• 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。