論文の概要: STNN-DDI: A Substructure-aware Tensor Neural Network to Predict
Drug-Drug Interactions
- arxiv url: http://arxiv.org/abs/2111.05708v1
- Date: Wed, 10 Nov 2021 14:32:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-11 14:28:37.973153
- Title: STNN-DDI: A Substructure-aware Tensor Neural Network to Predict
Drug-Drug Interactions
- Title（参考訳）: STNN-DDI:薬物と薬物の相互作用を予測するサブ構造対応テンソルニューラルネットワーク
- Authors: Hui Yu, ShiYu Zhao and JianYu Shi
- Abstract要約: DDI予測のためのサブストラクチャウェアニューラルネットワークモデル(STNN-DDI)を提案する。
提案モデルでは,サブストラクチャ-サブストラクチャ相互作用(SSI)空間を特徴付ける3次元のテンソル(サブストラクチャ,in-teraction型,サブストラクチャ)を学習する。
このSSI空間への薬物のマッピングにより、STNN-DDIはトランスダクティブシナリオとインダクティブシナリオの両方において多重型DDI予測を実行することができる。
- 参考スコア（独自算出の注目度）: 3.360922672565234
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Motivation: Computational prediction of multiple-type drug-drug interaction
(DDI) helps reduce unexpected side effects in poly-drug treatments. Although
existing computational approaches achieve inspiring results, they ignore that
the action of a drug is mainly caused by its chemical substructures. In
addition, their interpretability is still weak. Results: In this paper, by
supposing that the interactions between two given drugs are caused by their
local chemical structures (sub-structures) and their DDI types are determined
by the linkages between different substructure sets, we design a novel
Substructure-ware Tensor Neural Network model for DDI prediction (STNN-DDI).
The proposed model learns a 3-D tensor of (substructure, in-teraction type,
substructure) triplets, which characterizes a substructure-substructure
interaction (SSI) space. According to a list of predefined substructures with
specific chemical meanings, the mapping of drugs into this SSI space enables
STNN-DDI to perform the multiple-type DDI prediction in both transductive and
inductive scenarios in a unified form with an explicable manner. The
compar-ison with deep learning-based state-of-the-art baselines demonstrates
the superiority of STNN-DDI with the significant improvement of AUC, AUPR,
Accuracy, and Precision. More importantly, case studies illustrate its
interpretability by both revealing a crucial sub-structure pair across drugs
regarding a DDI type of interest and uncovering interaction type-specific
substructure pairs in a given DDI. In summary, STNN-DDI provides an effective
approach to predicting DDIs as well as explaining the interaction mechanisms
among drugs.
- Abstract（参考訳）: モチベーション(Motivation):多剤間相互作用(DDI)の計算予測は、多剤治療における予期せぬ副作用の軽減に役立つ。
既存の計算手法は刺激的な結果をもたらすが、薬物の作用は主にその化学的サブ構造に起因することを無視する。
加えて、その解釈性は依然として弱い。
結果: 本論文では, 局所的な化学構造(サブ構造)とDDIタイプとの相互作用が, 異なるサブ構造間の結合によって決定されることを示すことにより, DDI予測のための新しいサブ構造対応テンソルニューラルネットワークモデル(STNN-DDI)を設計する。
提案モデルは、サブ構造-サブ構造相互作用(ssi)空間を特徴づける(サブストラクチャ、インテレアクションタイプ、サブストラクチャ)トリプレットの3次元テンソルを学習する。
特定の化学的な意味を持つ事前定義されたサブ構造のリストによると、このSSI空間への薬物のマッピングにより、STNN-DDIは複数のタイプのDDI予測を、説明可能な方法で統一された形でトランスダクティブシナリオとインダクティブシナリオの両方で実行することができる。
深層学習に基づく最先端ベースラインとの融合は、AUC、AUPR、精度、精度を大幅に改善したSTNN-DDIの優位性を示す。
さらに重要なケーススタディでは、DDIの関心に関する薬物間の重要なサブ構造対を明らかにし、与えられたDDI内の相互作用タイプ固有のサブ構造対を明らかにすることによって、その解釈可能性を示す。
要約すると、STNN-DDIはDDIを予測し、薬物間の相互作用機構を説明する効果的なアプローチを提供する。
関連論文リスト
- ExDDI: Explaining Drug-Drug Interaction Predictions with Natural Language [19.426453222204714]
DDI予測のための自然言語説明を生成することを提案する。
DDInter と DrugBank から DDI の説明を収集した。
我々のモデルは、既知の薬物間の未知のDDIについて正確な説明を提供することができる。
論文 参考訳（メタデータ） (2024-09-09T13:23:14Z) - RGDA-DDI: Residual graph attention network and dual-attention based framework for drug-drug interaction prediction [4.044376666671973]
薬物・薬物相互作用予測のための残留グラフ注意ネットワーク(Residual-GAT)とデュアルアテンションベースのフレームワークであるRGDA-DDIを提案する。
一連の評価指標は、RGDA-DDIが2つの公開ベンチマークデータセット上でのDDI予測性能を大幅に改善したことを示している。
論文 参考訳（メタデータ） (2024-08-27T17:13:56Z) - A Cross-Field Fusion Strategy for Drug-Target Interaction Prediction [85.2792480737546]
既存の方法は、DTI予測中にグローバルなタンパク質情報を利用することができない。
ローカルおよびグローバルなタンパク質情報を取得するために、クロスフィールド情報融合戦略が採用されている。
SiamDTI予測法は、新規薬物や標的に対する他の最先端(SOTA)法よりも高い精度を達成する。
論文 参考訳（メタデータ） (2024-05-23T13:25:20Z) - Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - Learning to Describe for Predicting Zero-shot Drug-Drug Interactions [54.172575323610175]
薬物と薬物の相互作用は同時投与の有効性を損なう可能性がある。
従来のDDI予測の計算手法では、知識不足のため、新しい薬物の相互作用を捉えることができない可能性がある。
言語モデルに基づくDDI予測器と強化学習(RL)に基づく情報セレクタを用いたテキストDDIを提案する。
論文 参考訳（メタデータ） (2024-03-13T09:42:46Z) - Molecular Substructure-Aware Network for Drug-Drug Interaction
Prediction [10.157966744159491]
薬物の併用投与は薬物と薬物の相互作用(DDI)を引き起こす
薬物対の分子構造から潜在的DDIを効果的に予測する新しいモデルである分子サブストラクチャー・アウェア・ネットワーク(MSAN)を提案する。
論文 参考訳（メタデータ） (2022-08-24T02:06:21Z) - Multi-View Substructure Learning for Drug-Drug Interaction Prediction [69.34322811160912]
DDI予測のための新しいマルチビュードラッグサブ構造ネットワーク(MSN-DDI)を提案する。
MSN-DDIは、単一の薬物(イントラビュー)と薬物ペア(インタービュー)の両方の表現から化学的サブ構造を同時に学習し、そのサブ構造を利用して、薬物表現を反復的に更新する。
総合的な評価では、MSN-DDIは、トランスダクティブ・セッティングの下で比較的改善された19.32%と99%以上の精度を達成することで、既存の薬物に対するDDI予測をほぼ解決したことを示している。
論文 参考訳（メタデータ） (2022-03-28T05:44:29Z) - AttentionDDI: Siamese Attention-based Deep Learning method for drug-drug
interaction predictions [0.9176056742068811]
薬物と薬物の相互作用(DDIs)は、2つ以上の薬物の投与によって引き起こされるプロセスを指し、薬物が自分自身によって投与されるときに観察されるものを超える副作用をもたらす。
大量の薬物対が存在するため、すべての組み合わせを実験的にテストし、以前は観測されていなかった副作用を発見することはほとんど不可能である。
本稿では,複数の薬物類似度尺度を統合するddi予測のためのsiamese self-attention multi-modal neural networkを提案する。
論文 参考訳（メタデータ） (2020-12-24T13:33:07Z) - Two Step Joint Model for Drug Drug Interaction Extraction [82.49278654043577]
薬物と薬物の相互作用 (DDI) テキスト分析会議 (TAC) 2018における薬物ラベルからの抽出
本稿では,DDI検出のための2段階関節モデルを提案する。
シーケンスタギングシステム(CNN-GRUエンコーダデコーダ)は、まず沈殿剤を発見し、その微細なトリガーを探索し、第2ステップで沈殿剤毎のDDIを決定する。
論文 参考訳（メタデータ） (2020-08-28T15:30:08Z) - 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。