論文の概要: CandidateDrug4Cancer: An Open Molecular Graph Learning Benchmark on Drug Discovery for Cancer

• arxiv url: http://arxiv.org/abs/2203.00836v1
• Date: Wed, 2 Mar 2022 03:09:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-04 06:08:01.519541
• Title: CandidateDrug4Cancer: An Open Molecular Graph Learning Benchmark on Drug Discovery for Cancer
• Title（参考訳）: CandidateDrug4Cancer: がんの薬物発見に関するオープンな分子グラフ学習ベンチマーク
• Authors: Xianbin Ye, Ziliang Li, Fei Ma, Zongbi Yi, Pengyong Li, Jun Wang, Peng Gao, Yixuan Qiao, Guotong Xie
• Abstract要約: CandidateDrug4Cancerは、抗がん剤発見のためのグラフ機械学習ベンチマークデータセットである。 このデータセットは、54869のがん関連薬物分子をカバーしている。
• 参考スコア（独自算出の注目度）: 17.380560369153066
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anti-cancer drug discoveries have been serendipitous, we sought to present the Open Molecular Graph Learning Benchmark, named CandidateDrug4Cancer, a challenging and realistic benchmark dataset to facilitate scalable, robust, and reproducible graph machine learning research for anti-cancer drug discovery. CandidateDrug4Cancer dataset encompasses multiple most-mentioned 29 targets for cancer, covering 54869 cancer-related drug molecules which are ranged from pre-clinical, clinical and FDA-approved. Besides building the datasets, we also perform benchmark experiments with effective Drug Target Interaction (DTI) prediction baselines using descriptors and expressive graph neural networks. Experimental results suggest that CandidateDrug4Cancer presents significant challenges for learning molecular graphs and targets in practical application, indicating opportunities for future researches on developing candidate drugs for treating cancers.
• Abstract（参考訳）: 抗がん剤の発見はセレンディピタンスであり,抗がん剤発見のためのスケーラブルでロバストで再現可能なグラフ機械学習研究を容易にする,挑戦的で現実的なベンチマークデータセットである candidatedrug4cancer という,オープン分子グラフ学習ベンチマークを提示した。 candidatedrug4cancer datasetは、がんの29のターゲットで、前臨床、臨床、およびfdaが承認した54869のがん関連薬物分子をカバーしている。 データセット構築に加えて、記述子と表現型グラフニューラルネットワークを用いた効果的なドラッグターゲットインタラクション(DTI)予測ベースラインのベンチマーク実験も実施する。 実験結果から,CandidateDrug4Cancerは分子グラフの学習において重要な課題を示し,がん治療薬の開発に向けた今後の研究の機会が示唆された。

関連論文リスト

• Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
  目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。 回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
  論文  参考訳（メタデータ） (2024-05-23T13:22:17Z)
• Cancer-Net PCa-Gen: Synthesis of Realistic Prostate Diffusion Weighted Imaging Data via Anatomic-Conditional Controlled Latent Diffusion [68.45407109385306]
  カナダでは、前立腺がんは男性でもっとも一般的ながんであり、2022年のこの人口統計では、新しいがん症例の20%を占めている。 拡散強調画像(DWI)データを用いた前立腺癌診断,予後,治療計画のためのディープニューラルネットワークの開発には大きな関心が寄せられている。 本研究では,解剖学的条件制御型潜伏拡散戦略の導入により,現実的な前立腺DWIデータを生成するための潜伏拡散の有効性について検討した。
  論文  参考訳（メタデータ） (2023-11-30T15:11:03Z)
• 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)
• 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)
• TCR: A Transformer Based Deep Network for Predicting Cancer Drugs Response [12.86640026993276]
  抗がん剤反応を予測するために,トランスフォーマーを用いたがん薬物応答(TCR)ネットワークを提案する。 注意機構を利用することで、TCRは薬物原子/サブ構造と分子シグネチャの相互作用を効率的に学習することができる。 本研究は,TCRの予測能力と癌薬物の再利用と腫瘍学の精度向上に寄与する可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2022-07-10T13:01:54Z)
• Deep learning for drug repurposing: methods, databases, and applications [54.08583498324774]
  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。
  論文  参考訳（メタデータ） (2022-02-08T09:42:08Z)
• 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)
• Dr-COVID: Graph Neural Networks for SARS-CoV-2 Drug Repurposing [14.112444998191698]
  我々は、Dr-COVIDと呼ばれる、GNNに基づく薬物再資源化モデルを提案する。 Dr-COVIDは、その予測性能と、既知の疾患の治療薬をできるだけ高いレベルにランク付けする能力で評価されている。
  論文  参考訳（メタデータ） (2020-12-03T18:34:10Z)
• Drug Repurposing for COVID-19 via Knowledge Graph Completion [6.705100803382272]
  薬物候補を同定するための新しい,統合的で,ニューラルネットワークに基づく文献ベースの発見(LBD)手法を提案する。 提案手法は,SemRepを用いて抽出したセマンティックトリプルに依存する。 5つのSOTA, 神経知識グラフ補完アルゴリズムを用いて, 薬物再服用候補の予測を行った。
  論文  参考訳（メタデータ） (2020-10-19T15:30:51Z)
• Few-shot link prediction via graph neural networks for Covid-19 drug-repurposing [22.035580011316746]
  本稿では,グラフ構造データ中の情報的関係埋め込みを学習するための帰納モデルを提案する。 提案したモデルは、数ショットの学習タスクにおいて、RGCNと最先端のKGEモデルよりも大幅に優れている。 薬物発見タスクをリンク予測として,創薬知識グラフに含まれる生物学的実体の埋め込みを学習する。
  論文  参考訳（メタデータ） (2020-07-20T16:48:51Z)

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。