論文の概要: Modular multi-source prediction of drug side-effects with DruGNN
- arxiv url: http://arxiv.org/abs/2202.08147v1
- Date: Tue, 15 Feb 2022 09:41:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-17 16:24:01.026289
- Title: Modular multi-source prediction of drug side-effects with DruGNN
- Title（参考訳）: DruGNNによる薬物副作用のマルチソース予測
- Authors: Pietro Bongini, Franco Scarselli, Monica Bianchini, Giovanna Maria
Dimitri, Niccol\`o Pancino, Pietro Li\`o
- Abstract要約: 薬物副作用(DSE)は公衆衛生、医療システムコスト、薬物発見プロセスに高い影響を与える。
それらの発生を予測するためには、異種源からのデータを統合する必要がある。
この研究において、そのような異種データはグラフデータセットに統合され、異なるエンティティ間の関係情報を表現的に表現する。
グラフニューラルネットワーク(GNN)は、データセット上のDSEを非常に有望な結果で予測するために利用される。
- 参考スコア（独自算出の注目度）: 3.229607826010618
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Drug Side-Effects (DSEs) have a high impact on public health, care system
costs, and drug discovery processes. Predicting the probability of
side-effects, before their occurrence, is fundamental to reduce this impact, in
particular on drug discovery. Candidate molecules could be screened before
undergoing clinical trials, reducing the costs in time, money, and health of
the participants. Drug side-effects are triggered by complex biological
processes involving many different entities, from drug structures to
protein-protein interactions. To predict their occurrence, it is necessary to
integrate data from heterogeneous sources. In this work, such heterogeneous
data is integrated into a graph dataset, expressively representing the
relational information between different entities, such as drug molecules and
genes. The relational nature of the dataset represents an important novelty for
drug side-effect predictors. Graph Neural Networks (GNNs) are exploited to
predict DSEs on our dataset with very promising results. GNNs are deep learning
models that can process graph-structured data, with minimal information loss,
and have been applied on a wide variety of biological tasks. Our experimental
results confirm the advantage of using relationships between data entities,
suggesting interesting future developments in this scope. The experimentation
also shows the importance of specific subsets of data in determining
associations between drugs and side-effects.
- Abstract（参考訳）: 薬物副作用(dses)は、公衆衛生、医療システムコスト、薬物発見プロセスに大きな影響を与える。
副作用の発生の確率を予測することは、特に薬物発見において、この影響を減らすのに不可欠である。
候補分子は臨床試験の前にスクリーニングすることができ、参加者の時間、お金、健康のコストを削減できる。
薬物の副作用は、薬物構造からタンパク質とタンパク質の相互作用に至るまで、多くの異なる実体を含む複雑な生物学的過程によって引き起こされる。
発生を予測するには,異種源からのデータを統合する必要がある。
この論文では、このような異種データをグラフデータセットに統合し、薬物分子や遺伝子などの異なる実体間の関係情報を表現します。
データセットのリレーショナルな性質は、薬物副作用予測にとって重要なノベルティである。
グラフニューラルネットワーク(GNN)は、データセット上のDSEを非常に有望な結果で予測するために利用される。
GNNは、グラフ構造化データを最小限の情報損失で処理できるディープラーニングモデルであり、幅広い生物学的タスクに適用されている。
実験結果は,データエンティティ間の関係性を利用することの利点を確認し,この領域における今後の興味深い展開を示唆する。
この実験は、薬物と副作用の関連性を決定する上で、データの特定のサブセットの重要性も示している。
関連論文リスト
- GramSeq-DTA: A grammar-based drug-target affinity prediction approach fusing gene expression information [1.2289361708127877]
薬物や標的の構造情報と化学摂動情報を統合するGramSeq-DTAを提案する。
我々の手法は、広く使われているDTAデータセットで検証された場合、現在の最先端のDTA予測モデルよりも優れている。
論文 参考訳（メタデータ） (2024-11-03T03:17:09Z) - Learning to Denoise Biomedical Knowledge Graph for Robust Molecular Interaction Prediction [50.7901190642594]
分子間相互作用予測のためのバイオKDN (Biomedical Knowledge Graph Denoising Network) を提案する。
BioKDNは、ノイズの多いリンクを学習可能な方法で識別することで、局所的な部分グラフの信頼性の高い構造を洗練する。
ターゲットの相互作用に関する関係を円滑にすることで、一貫性とロバストなセマンティクスを維持する。
論文 参考訳（メタデータ） (2023-12-09T07:08:00Z) - Removing Biases from Molecular Representations via Information
Maximization [16.38589836748167]
InfoCOREは、COnfounder Removalがバッチ効果を扱うための情報アプローチである。
インプリートされたバッチ分布を等化するために、サンプルを適応的にリウィージする。
汎用的なフレームワークを提供し、データ公平性の一般的な分散シフトと課題を解決する。
論文 参考訳（メタデータ） (2023-12-01T16:53:15Z) - 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) - PGraphDTA: Improving Drug Target Interaction Prediction using Protein
Language Models and Contact Maps [4.590060921188914]
薬物発見の鍵となる側面は、新規な薬物標的相互作用(DT)の同定である。
タンパク質-リガンド相互作用は結合親和性として知られる結合強度の連続性を示す。
性能向上のための新しい改良を提案する。
論文 参考訳（メタデータ） (2023-10-06T05:00:25Z) - 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) - DDoS: A Graph Neural Network based Drug Synergy Prediction Algorithm [0.521420263116111]
薬物相乗効果予測のためのグラフニューラルネットワーク(textitGNN)モデルを提案する。
従来のモデルとは対照的に、我々のGNNベースのアプローチは、薬物のグラフ構造から直接タスク特異的な薬物表現を学習する。
我々の研究は、タスク固有の薬物表現を学習し、多様なデータセットを活用することが、薬物と薬物の相互作用とシナジーの理解を深めるための有望なアプローチであることを示唆している。
論文 参考訳（メタデータ） (2022-10-03T10:16:29Z) - 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) - MOOMIN: Deep Molecular Omics Network for Anti-Cancer Drug Combination
Therapy [2.446672595462589]
本稿では,がん治療における薬物併用の相乗効果を予測できるマルチモーダルグラフニューラルネットワークを提案する。
本モデルでは,薬物とタンパク質の相互作用ネットワークとメタデータに基づいて,薬物のコンテキストを複数スケールで表現する。
このモデルが癌細胞株の組織を広範囲にわたって高い品質で予測できることを実証した。
論文 参考訳（メタデータ） (2021-10-28T13:10:25Z) - HINT: Hierarchical Interaction Network for Trial Outcome Prediction
Leveraging Web Data [56.53715632642495]
臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。
本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
論文 参考訳（メタデータ） (2021-02-08T15:09:07Z) - 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)
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。