論文の概要: Deep learning for drug repurposing: methods, databases, and applications

• arxiv url: http://arxiv.org/abs/2202.05145v1
• Date: Tue, 8 Feb 2022 09:42:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-11 17:00:56.092199
• Title: Deep learning for drug repurposing: methods, databases, and applications
• Title（参考訳）: 薬物再資源化のための深層学習 : 方法・データベース・応用
• Authors: Xiaoqin Pan, Xuan Lin, Dongsheng Cao, Xiangxiang Zeng, Philip S. Yu, Lifang He, Ruth Nussinov, Feixiong Cheng
• Abstract要約: 新しい治療法のために既存の薬物を再利用することは、実験コストの低減で薬物開発を加速する魅力的な解決策である。 本稿では,薬物再資源化のための深層学習手法とツールの活用に関するガイドラインを紹介する。
• 参考スコア（独自算出の注目度）: 54.08583498324774
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Drug development is time-consuming and expensive. Repurposing existing drugs for new therapies is an attractive solution that accelerates drug development at reduced experimental costs, specifically for Coronavirus Disease 2019 (COVID-19), an infectious disease caused by severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2). However, comprehensively obtaining and productively integrating available knowledge and big biomedical data to effectively advance deep learning models is still challenging for drug repurposing in other complex diseases. In this review, we introduce guidelines on how to utilize deep learning methodologies and tools for drug repurposing. We first summarized the commonly used bioinformatics and pharmacogenomics databases for drug repurposing. Next, we discuss recently developed sequence-based and graph-based representation approaches as well as state-of-the-art deep learning-based methods. Finally, we present applications of drug repurposing to fight the COVID-19 pandemic, and outline its future challenges.
• Abstract（参考訳）: 薬物開発は時間と費用がかかる。 重症急性呼吸器症候群(sars-cov-2)による感染症であるcovid-19(covid-19)は、実験コストを低減し、医薬品開発を加速させる魅力的なソリューションである。 しかし、深層学習モデルを効果的に進めるために、利用可能な知識と大きなバイオメディカルデータを包括的に取得し、生産的に統合することは、他の複雑な疾患における薬物の再利用には依然として困難である。 本稿では,薬物再資源化のための深層学習手法とツールの活用に関するガイドラインを紹介する。 まず, 一般的に使用されるバイオインフォマティクスおよび薬理ゲノミクスデータベースを概説した。 次に,最近開発されたシーケンスベースおよびグラフベースの表現手法と,最先端のディープラーニングに基づく手法について述べる。 最後に、新型コロナウイルス(COVID-19)のパンデミックと闘うための薬物再精製の応用について述べ、今後の課題を概説する。

関連論文リスト

• DrugCLIP: Contrastive Drug-Disease Interaction For Drug Repurposing [4.969453745531116]
  DrugCLIPは、ネガティブなラベルなしで薬物と疾患の相互作用を学ぶための対照的な学習方法である。 実地臨床試験記録に基づく薬物再服用データセットをキュレートした。
  論文  参考訳（メタデータ） (2024-07-02T13:41:59Z)
• Zero-shot Learning of Drug Response Prediction for Preclinical Drug Screening [38.94493676651818]
  ゼロショット学習ソリューションを提案する。 予防的薬物スクリーニングの課題です 具体的には、MSDAと呼ばれるマルチブランチマルチソースドメイン適応テスト拡張プラグインを提案する。
  論文  参考訳（メタデータ） (2023-10-05T05:55:41Z)
• 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)
• KGML-xDTD: A Knowledge Graph-based Machine Learning Framework for Drug Treatment Prediction and Mechanism Description [11.64859287146094]
  KGML-xDTD(知識グラフに基づく機械学習フレームワーク)を提案する。 グラフベースの強化学習プロセスにおける中間指導として,知識と公開に基づく情報を活用し,生物学的に意味のある「実証経路」を抽出する。
  論文  参考訳（メタデータ） (2022-11-30T17:05:22Z)
• Deep learning methods for drug response prediction in cancer: predominant and emerging trends [50.281853616905416]
  がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。 最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。 このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
  論文  参考訳（メタデータ） (2022-11-18T03:26:31Z)
• 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)
• ImDrug: A Benchmark for Deep Imbalanced Learning in AI-aided Drug Discovery [79.08833067391093]
  現実世界の医薬品のデータセットは、しばしば高度に不均衡な分布を示す。 ImDrugはオープンソースのPythonライブラリを備えたベンチマークで、4つの不均衡設定、11のAI対応データセット、54の学習タスク、16のベースラインアルゴリズムで構成されています。 ドラッグ発見パイプラインの幅広い範囲にまたがる問題やソリューションに対して、アクセス可能でカスタマイズ可能なテストベッドを提供する。
  論文  参考訳（メタデータ） (2022-09-16T13:35:57Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• Heterogeneous Treatment Effect Estimation using machine learning for Healthcare application: tutorial and benchmark [8.869515663374248]
  多くの研究が、薬物効果は人口間で不均一であることを示した。 ヘテロジニアス処理効果(HTE)を推定する高度な機械学習モデルが近年出現している。 我々は,医療分野にHTE手法を導入し,実現可能性を検討することを目的とする。
  論文  参考訳（メタデータ） (2021-09-27T02:34:44Z)
• When deep learning meets causal inference: a computational framework for drug repurposing from real-world data [12.68717103979673]
  既存の薬物精製法は、ヒトに適用した場合に翻訳上の問題が存在する可能性がある。 薬物再資源化のための複数の候補の生成と試験を行うための,効率的かつ簡便なフレームワークを提案する。 本研究の枠組みは, 冠動脈疾患(CAD)の症例研究において, 55の薬剤候補が各種疾患の予後に及ぼす影響を評価することで実証する。
  論文  参考訳（メタデータ） (2020-07-16T21:30:56Z)

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。