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

• 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)
• Integrating Heterogeneous Domain Information into Relation Extraction: A Case Study on Drug-Drug Interaction Extraction [1.0152838128195465]
  この論文は、文献からの薬物と薬物の相互作用(DDI)をケーススタディとして扱う。 深部神経関係抽出モデルを作成し、その注意機構を解析する。 異種情報をさらに活用するために、タンパク質エントリ、医療用語、経路などの薬物関連項目を収集する。
  論文  参考訳（メタデータ） (2022-12-21T01:26:07Z)
• A Deep Learning Approach to the Prediction of Drug Side-Effects on Molecular Graphs [2.4087148947930634]
  グラフニューラルネットワークを用いて薬物副作用を予測する手法を開発した。 私たちは、自由にアクセス可能で、確立されたデータソースからデータセットを構築します。 その結果,本手法は,多くのパラメータや指標の下で,分類能力の向上を図っている。
  論文  参考訳（メタデータ） (2022-11-30T10:12:41Z)
• DDoS: A Graph Neural Network based Drug Synergy Prediction Algorithm [0.4893345190925177]
  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(GNN)モデルを提案する。 利用可能な最大の薬物組み合わせデータベース(DrugComb)からの情報を用いて、信頼性の高いベンチマークデータセットを構築します。
  論文  参考訳（メタデータ） (2022-10-03T10:16:29Z)
• 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)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• 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)
• Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug Response [49.86828302591469]
  本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。 我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。 アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
  論文  参考訳（メタデータ） (2020-05-13T20:29:48Z)

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。