論文の概要: The Computational Drug Repositioning without Negative Sampling

• arxiv url: http://arxiv.org/abs/2111.14696v1
• Date: Mon, 29 Nov 2021 16:57:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-30 16:37:22.973865
• Title: The Computational Drug Repositioning without Negative Sampling
• Title（参考訳）: 陰性サンプリングを伴わない計算薬物再配置
• Authors: Xinxing Yang and Genke Yang and Jian Chu
• Abstract要約: そこで本研究では,創薬協会の連帯分布をモデル化する新しいPUONフレームワークを提案する。 PUONは6つの人気のある評価基準に基づいて最高のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 3.4357028532416547
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computational drug repositioning technology is an effective tool to accelerate drug development. Although this technique has been widely used and successful in recent decades, many existing models still suffer from multiple drawbacks such as the massive number of unvalidated drug-disease associations and inner product in the matrix factorization model. The limitations of these works are mainly due to the following two reasons: first, previous works used negative sampling techniques to treat unvalidated drug-disease associations as negative samples, which is invalid in real-world settings; Second, the inner product lacks modeling on the crossover information between dimensions of the latent factor. In this paper, we propose a novel PUON framework for addressing the above deficiencies, which models the joint distribution of drug-disease associations using validated and unvalidated drug-disease associations without employing negative sampling techniques. The PUON also modeled the cross-information of the latent factor of drugs and diseases using the outer product operation. For a comprehensive comparison, we considered 7 popular baselines. Extensive experiments in two real-world datasets showed that PUON achieved the best performance based on 6 popular evaluation metrics.
• Abstract（参考訳）: 薬物再配置技術は薬物開発を加速する有効なツールである。 この手法はここ数十年で広く使われ、成功を収めてきたが、多くの既存モデルは、大量の非有毒薬物放出関連や行列分解モデルにおける内積など、多くの欠点に悩まされている。 これらの研究の限界は、主に次の2つの理由による: 先行研究は、非有毒な薬物放出関連を負のサンプルとして扱うために負のサンプリング技術を使用しており、これは現実の環境では無効である; 第二に、内積は潜伏因子の寸法間の交叉情報に関するモデリングを欠いている。 本稿では,本研究の成果を生かした新しいPUONフレームワークを提案する。このフレームワークは,陰性サンプリング手法を使わずに,検証済みおよび未検証の薬物放出関連体を用いた薬物放出連関の連関分布をモデル化する。 プーンはまた、外製品操作を用いて薬物や疾患の潜在因子のクロス情報をモデル化した。 総合的な比較では、7つの人気のあるベースラインを検討した。 2つの実世界のデータセットの大規模な実験により、PUONは6つの一般的な評価基準に基づいて最高のパフォーマンスを達成した。

関連論文リスト

• Tensor Factorisation for Polypharmacy Side Effect Prediction [2.631060597686179]
  薬物の組み合わせによって引き起こされる逆反応は、ますます一般的な現象であり、それらの正確な予測は現代医学において重要な課題である。 このタスクには多くの計算手法が提案されており、成功度は様々である。 この領域であまり使われていないように見える手法の1つは、このタイプのデータに明確な適用性があるにもかかわらず、テンソル分解である。 従来の報告とは対照的に、このタスクのテンソル分解モデルは、最先端のグラフニューラルネットワークモデルと競合する。
  論文  参考訳（メタデータ） (2024-04-17T13:32:05Z)
• 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)
• Knowledge-Driven New Drug Recommendation [88.35607943144261]
  既存の薬物と新薬のギャップを埋めるために, 薬物依存型マルチフェノタイプ数発学習機を開発した。 EDGEは外部薬効知識ベースを用いて偽陰性監視信号を除去する。 その結果, EDGEは, ROC-AUCスコアよりも7.3%向上していることがわかった。
  論文  参考訳（メタデータ） (2022-10-11T16:07:52Z)
• Causal Inference via Nonlinear Variable Decorrelation for Healthcare Applications [60.26261850082012]
  線形および非線形共振の両方を扱う可変デコリレーション正規化器を用いた新しい手法を提案する。 我々は、モデル解釈可能性を高めるために、元の特徴に基づくアソシエーションルールマイニングを用いた新しい表現として、アソシエーションルールを採用する。
  論文  参考訳（メタデータ） (2022-09-29T17:44:14Z)
• Distributed representations of graphs for drug pair scoring [4.277733268268646]
  薬物対スコアリングの文脈において,グラフの分散表現をモデルに組み込むことの実用性と有用性について検討する。 本稿では,ドラッグペアスコアリングのための統一フレームワークにおいて,グラフの分散表現を学習し,組み込む手法を提案する。 これらの埋め込みを組み込むことで、薬物対スコアリングタスクのほぼ全てのモデルの下流性能が向上することが実証的に示される。
  論文  参考訳（メタデータ） (2022-09-19T23:35:26Z)
• The Neural Metric Factorization for Computational Drug Repositioning [1.5206182560183663]
  計算薬物再配置は、市販薬物の新しい治療疾患を発見することを目的としている。 行列因数分解モデルは, 医薬再配置における主要な基礎技術となっている。 本稿では, 医薬再配置のためのニューラル・メトリック・ファクター化モデルを提案する。
  論文  参考訳（メタデータ） (2021-09-16T03:14:43Z)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)
• Enhanced Principal Component Analysis under A Collaborative-Robust Framework [89.28334359066258]
  重み学習とロバストな損失を非自明な方法で組み合わせる,一般的な協調ロバスト重み学習フレームワークを提案する。 提案されたフレームワークでは、トレーニング中の重要度を示す適切なサンプルの一部のみがアクティブになり、エラーが大きい他のサンプルは無視されません。 特に、不活性化試料の負の効果はロバスト損失関数によって軽減される。
  論文  参考訳（メタデータ） (2021-03-22T15:17:37Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)
• Hybrid Attentional Memory Network for Computational drug repositioning [0.0]
  コールドスタート問題は、常に計算薬物再配置の分野で大きな課題であった。 本稿では,CFモデルの2つのクラスを非線形に結合した階層型アーキテクチャであるHAMNモデルを提案する。 提案するHAMNモデルは、AUC, AUPR, HR指標により、他の比較モデルよりも優れている。
  論文  参考訳（メタデータ） (2020-06-12T02:12:32Z)
• Drug-Drug Interaction Prediction with Wasserstein Adversarial Autoencoder-based Knowledge Graph Embeddings [22.562175708415392]
  薬物・薬物相互作用のための知識グラフ埋め込みフレームワークを提案する。 本フレームワークでは, 高品質な負のサンプルを生成するために, オートエンコーダを用いる。 判別器は、正三重項と負三重項の両方に基づいて薬物と相互作用の埋め込みを学習する。
  論文  参考訳（メタデータ） (2020-04-15T21:03:29Z)

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。