Fugu-MT 論文翻訳(概要): HampDTI: a heterogeneous graph automatic meta-path learning method for drug-target interaction prediction

論文の概要: HampDTI: a heterogeneous graph automatic meta-path learning method for drug-target interaction prediction

arxiv url: http://arxiv.org/abs/2112.08567v1
Date: Thu, 16 Dec 2021 02:12:03 GMT
ステータス: 処理完了
システム内更新日: 2021-12-17 14:56:22.424315
Title: HampDTI: a heterogeneous graph automatic meta-path learning method for drug-target interaction prediction
Title（参考訳）: 薬物-標的相互作用予測のための異種グラフ自動メタパス学習法HampDTI
Authors: Hongzhun Wang, Feng Huang, Wen Zhang
Abstract要約: 異種グラフ自動メタパス学習に基づくDTI予測法(HampDTI)を提案する。 HampDTIは、薬物と標的の間の重要なメタパスをHNから自動的に学習し、メタパスグラフを生成する。ベンチマークデータを用いた実験により,提案したHampDTIは最先端のDTI予測手法と比較して優れた性能を示した。
参考スコア（独自算出の注目度）: 4.499861098235355
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Motivation: Identifying drug-target interactions (DTIs) is a key step in drug repositioning. In recent years, the accumulation of a large number of genomics and pharmacology data has formed mass drug and target related heterogeneous networks (HNs), which provides new opportunities of developing HN-based computational models to accurately predict DTIs. The HN implies lots of useful information about DTIs but also contains irrelevant data, and how to make the best of heterogeneous networks remains a challenge. Results: In this paper, we propose a heterogeneous graph automatic meta-path learning based DTI prediction method (HampDTI). HampDTI automatically learns the important meta-paths between drugs and targets from the HN, and generates meta-path graphs. For each meta-path graph, the features learned from drug molecule graphs and target protein sequences serve as the node attributes, and then a node-type specific graph convolutional network (NSGCN) which efficiently considers node type information (drugs or targets) is designed to learn embeddings of drugs and targets. Finally, the embeddings from multiple meta-path graphs are combined to predict novel DTIs. The experiments on benchmark datasets show that our proposed HampDTI achieves superior performance compared with state-of-the-art DTI prediction methods. More importantly, HampDTI identifies the important meta-paths for DTI prediction, which could explain how drugs connect with targets in HNs.
Abstract（参考訳）: 動機づけ:薬物-標的相互作用(DTI)の同定は薬物再配置の重要なステップである。近年,多くのゲノミクスや薬理学データの蓄積が大量薬物や標的とするヘテロジニアスネットワーク (HN) を形成しており,DTIを正確に予測するHNベースの計算モデルを開発する新たな機会となっている。 HNはDTIに関する有用な情報が多いが、無関係なデータも含んでいる。結果:本論文では,異種グラフの自動メタパス学習に基づくDTI予測法(HampDTI)を提案する。 HampDTIは、薬物と標的の間の重要なメタパスを自動的に学習し、メタパスグラフを生成する。各メタパスグラフでは、薬物分子グラフと標的タンパク質配列から得られた特徴がノード属性となり、ノード型特異グラフ畳み込みネットワーク(nsgcn)は、ノード型情報(ドラッグやターゲット)を効率的に考慮し、薬物や標的の埋め込みを学ぶように設計されている。最後に、複数のメタパスグラフからの埋め込みを組み合わせて新しいDTIを予測する。ベンチマークデータセットを用いた実験により,提案したHampDTIは最先端DTI予測法と比較して優れた性能を示すことが示された。さらに重要なのは、HampDTIがDTI予測の重要なメタパスを特定することだ。

関連論文リスト

A Heterogeneous Network-based Contrastive Learning Approach for Predicting Drug-Target Interaction [3.1923357295923225]
薬物と標的の相互作用(DTI)の予測は、薬物開発と再配置に不可欠である。 HNCL-DTIと呼ばれる異種ネットワークに基づくコントラスト学習手法を提案する。実験結果から,HNCL-DTIはベンチマークデータセット上で既存の高度なベースライン手法よりも優れていた。
論文参考訳（メタデータ） (2024-10-20T14:57:24Z)
MOTIVE: A Drug-Target Interaction Graph For Inductive Link Prediction [0.29998889086656577]
本稿では,11,000遺伝子と3,600化合物のセルペイント機能を有する形態的cOmpoundターゲット相互作用グラフであるMOTIVEについて紹介する。我々は、現実的なユースケース下で厳密な評価を可能にするために、ランダムでコールドソース(新薬)とコールドターゲット(新遺伝子)データを分割する。ベンチマークの結果,Cell Painting機能を用いたグラフニューラルネットワークは,グラフ構造のみから学習したニューラルネットワークよりも一貫して優れていた。
論文参考訳（メタデータ） (2024-06-12T21:18:14Z)
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)
HiGraphDTI: Hierarchical Graph Representation Learning for Drug-Target Interaction Prediction [15.005837084219355]
階層型グラフ表現学習に基づくDTI予測法(HiGraphDTI)を提案する。具体的には、HiGraphDTIは三重レベル分子グラフから階層的な薬物表現を学び、原子、モチーフ、分子に埋め込まれた化学情報を徹底的に活用する。注目特徴融合モジュールは、異なる受容領域からの情報を組み込んで表現対象特徴を抽出する。
論文参考訳（メタデータ） (2024-04-16T13:35:24Z)
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)
ResDTA: Predicting Drug-Target Binding Affinity Using Residual Skip Connections [0.0]
本稿では,DT結合親和性を予測するための深層学習手法を提案する。提案したモデルでは,最大のベンチマークデータセットの1つにおいて,最高のコンコーダンス指標(CI)性能を達成している。
論文参考訳（メタデータ） (2023-03-20T20:27:11Z)
Drug-Target Interaction Prediction with Graph Attention networks [26.40249934284416]
DTI予測のためのエンドツーエンドフレームワークであるDTI-GAT(Drug-Target Interaction Prediction with Graph Attention Network)を提案する。 DTI-GATは、注目機構を備えたグラフ構造化データで動作するディープネットワークニューラルアーキテクチャを組み込んでいる。実験により、DTI-GATはバイナリDTI予測問題において、様々な最先端システムより優れていることが示された。
論文参考訳（メタデータ） (2021-07-10T07:06:36Z)
Distance-aware Molecule Graph Attention Network for Drug-Target Binding Affinity Prediction [54.93890176891602]
薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
論文参考訳（メタデータ） (2020-12-17T17:44:01Z)
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)
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)
DeepPurpose: a Deep Learning Library for Drug-Target Interaction Prediction [69.7424023336611]
DeepPurposeは、DTI予測のための包括的で使いやすいディープラーニングライブラリである。 15の複合およびタンパク質エンコーダと50以上のニューラルアーキテクチャを実装することで、カスタマイズされたDTI予測モデルのトレーニングをサポートする。複数のベンチマークデータセット上でDeepPurposeの最先端性能を示す。
論文参考訳（メタデータ） (2020-04-19T17:31:55Z)

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。