論文の概要: RECOVER: sequential model optimization platform for combination drug repurposing identifies novel synergistic compounds in vitro

• arxiv url: http://arxiv.org/abs/2202.04202v1
• Date: Mon, 7 Feb 2022 02:54:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-11 07:50:37.154498
• Title: RECOVER: sequential model optimization platform for combination drug repurposing identifies novel synergistic compounds in vitro
• Title（参考訳）: ReCOVER: 組換え薬の合成モデル最適化プラットフォームはin vitroで新規な相乗的化合物を同定する
• Authors: Paul Bertin, Jarrid Rector-Brooks, Deepak Sharma, Thomas Gaudelet, Andrew Anighoro, Torsten Gross, Francisco Martinez-Pena, Eileen L. Tang, Suraj M S, Cristian Regep, Jeremy Hayter, Maksym Korablyov, Nicholas Valiante, Almer van der Sloot, Mike Tyers, Charles Roberts, Michael M. Bronstein, Luke L. Lairson, Jake P. Taylor-King, and Yoshua Bengio
• Abstract要約: 深層学習モデルに適用した逐次モデル最適化探索を用いて,がん細胞株に対して高い相乗効果を持つ薬物の組み合わせを迅速に発見する。 モデルによりクエリされた組み合わせの集合は、非常にシナジスティックな組み合わせに富んでいることがわかった。 臨床的に検討中であることが判明した相乗効果薬の併用が再発見された。
• 参考スコア（独自算出の注目度）: 46.773794687622825
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Selecting optimal drug repurposing combinations for further preclinical development is a challenging technical feat. Due to the toxicity of many therapeutic agents (e.g., chemotherapy), practitioners have favoured selection of synergistic compounds whereby lower doses can be used whilst maintaining high efficacy. For a fixed small molecule library, an exhaustive combinatorial chemical screen becomes infeasible to perform for academic and industry laboratories alike. Deep learning models have achieved state-of-the-art results in silico for the prediction of synergy scores. However, databases of drug combinations are highly biased towards synergistic agents and these results do not necessarily generalise out of distribution. We employ a sequential model optimization search applied to a deep learning model to quickly discover highly synergistic drug combinations active against a cancer cell line, while requiring substantially less screening than an exhaustive evaluation. Through iteratively adapting the model to newly acquired data, after only 3 rounds of ML-guided experimentation (including a calibration round), we find that the set of combinations queried by our model is enriched for highly synergistic combinations. Remarkably, we rediscovered a synergistic drug combination that was later confirmed to be under study within clinical trials.
• Abstract（参考訳）: さらなる前臨床開発のために最適な薬物再生産の組み合わせを選択することは、技術的な課題である。 多くの治療剤(化学療法など)の毒性のため、高い有効性を維持しながら低用量で使用できる相乗効果のある化合物の選択が推奨されている。 固定された小さな分子ライブラリーでは、徹底的な組合せ化学スクリーンが学術的、産業的な実験室でも実行できなくなる。 ディープラーニングモデルは、シナジースコアの予測のためにsilicoで最先端の結果を達成している。 しかしながら、薬物の組み合わせのデータベースは相乗的エージェントに非常に偏りがあり、これらの結果は必ずしも分布から一般化するとは限らない。 深層学習モデルに適用した逐次モデル最適化探索を用いて,がん細胞株に対して高い相乗効果を持つ薬物の組み合わせを迅速に発見する。 モデルを新たに取得したデータに反復的に適応させることにより,ml誘導実験(キャリブレーションラウンドを含む)を3回のみ行った結果,モデルで検索したコンビネーションの組が高度に相乗的なコンビネーションのために豊かになることがわかった。 臨床的に検討中であることが判明した相乗的薬物の組み合わせが再発見された。

関連論文リスト

• Retrosynthesis prediction enhanced by in-silico reaction data augmentation [66.5643280109899]
  RetroWISEは,実データから推定されるベースモデルを用いて,シリコン内反応の生成と増大を行うフレームワークである。 3つのベンチマークデータセットで、RetroWISEは最先端モデルに対して最高の全体的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-01-31T07:40:37Z)
• 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)
• 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)
• 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)
• 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)
• CASTELO: Clustered Atom Subtypes aidEd Lead Optimization -- a combined machine learning and molecular modeling method [2.8381402107366034]
  我々は、リード最適化ワークフローを自動化する機械学習と分子モデリングを組み合わせたアプローチを提案する。 本手法は, 薬剤の有効性向上に有効な, ホットスポットの新規なヒントを提供する。
  論文  参考訳（メタデータ） (2020-11-27T15:41:00Z)
• 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)
• Learning for Dose Allocation in Adaptive Clinical Trials with Safety Constraints [84.09488581365484]
  新しい化合物の有効性と毒性の関係がより複雑になるにつれて、第1相線量測定試験はますます困難になっている。 最も一般的に使われている方法は、毒性事象のみから学習することで、最大許容量(MTD)を特定することである。 本稿では, 毒性安全性の制約を高い確率で満たしつつ, 累積効果を最大化することを目的とした, 適応型臨床試験手法を提案する。
  論文  参考訳（メタデータ） (2020-06-09T03:06:45Z)
• Prediction of Drug Synergy by Ensemble Learning [0.0]
  薬物相乗効果の予測における異なる化合物表現の有効性について検討した。 大規模な薬物併用画面データセットにおいて、この問題に未使用の有望な表現の使用を最初に示す。 次に、各ベースラインモデルより優れた表現モデルの組み合わせについてアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-01-07T12:21:37Z)

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。