論文の概要: Multi-View Substructure Learning for Drug-Drug Interaction Prediction

• arxiv url: http://arxiv.org/abs/2203.14513v1
• Date: Mon, 28 Mar 2022 05:44:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-29 17:20:01.111894
• Title: Multi-View Substructure Learning for Drug-Drug Interaction Prediction
• Title（参考訳）: 薬物・薬物相互作用予測のための多視点サブ構造学習
• Authors: Zimeng Li, Shichao Zhu, Bin Shao, Tie-Yan Liu, Xiangxiang Zeng and Tong Wang
• Abstract要約: DDI予測のための新しいマルチビュードラッグサブ構造ネットワーク(MSN-DDI)を提案する。 MSN-DDIは、単一の薬物(イントラビュー)と薬物ペア(インタービュー)の両方の表現から化学的サブ構造を同時に学習し、そのサブ構造を利用して、薬物表現を反復的に更新する。 総合的な評価では、MSN-DDIは、トランスダクティブ・セッティングの下で比較的改善された19.32%と99%以上の精度を達成することで、既存の薬物に対するDDI予測をほぼ解決したことを示している。
• 参考スコア（独自算出の注目度）: 69.34322811160912
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Drug-drug interaction (DDI) prediction provides a drug combination strategy for systemically effective treatment. Previous studies usually model drug information constrained on a single view such as the drug itself, leading to incomplete and noisy information, which limits the accuracy of DDI prediction. In this work, we propose a novel multi- view drug substructure network for DDI prediction (MSN-DDI), which learns chemical substructures from both the representations of the single drug (intra-view) and the drug pair (inter-view) simultaneously and utilizes the substructures to update the drug representation iteratively. Comprehensive evaluations demonstrate that MSN-DDI has almost solved DDI prediction for existing drugs by achieving a relatively improved accuracy of 19.32% and an over 99% accuracy under the transductive setting. More importantly, MSN-DDI exhibits better generalization ability to unseen drugs with a relatively improved accuracy of 7.07% under more challenging inductive scenarios. Finally, MSN-DDI improves prediction performance for real-world DDI applications to new drugs.
• Abstract（参考訳）: 薬物と薬物の相互作用(DDI)予測は、体系的に有効な治療のための薬物の組み合わせ戦略を提供する。 先行研究は通常、薬物自体のような単一視点に制約された薬物情報をモデル化し、不完全でノイズの多い情報となり、DDI予測の精度が制限される。 本研究では,単剤 (intra-view) と対 (inter-view) の両方の表現から化学サブストラクチャーを学習し,そのサブストラクチャーを用いて反復的に薬物表現を更新するddi予測(msn-ddi)のための新しい多視点薬物サブストラクチャーネットワークを提案する。 総合的な評価では、MSN-DDIは、トランスダクティブ・セッティングの下で比較的改善された19.32%と99%以上の精度を達成することで、既存の薬物に対するDDI予測をほぼ解決したことを示している。 さらに重要なことは、MSN-DDIはより困難な誘導シナリオの下で、比較的改善された7.07%の精度で薬物を発見できるより良い一般化能力を示す。 最後に、MSN-DDIは、新しい薬物に対する現実世界のDDIアプリケーションの予測性能を改善する。

関連論文リスト

• Decision Support System for Chronic Diseases Based on Drug-Drug Interactions [67.9840225237587]
  本稿では,医師の意思決定を支援するための薬物と薬物の相互作用に基づくDSSDDIと呼ばれる意思決定支援システムを提案する。 DDIモジュールは、薬物と薬物の相互作用からより安全で効果的な薬物表現を学習する。 MDモジュールは、患者と薬物の表現を文脈として、DDIと患者の類似性を治療として、薬物の使用を結果として考える。
  論文  参考訳（メタデータ） (2023-03-04T12:44:38Z)
• DDI Prediction via Heterogeneous Graph Attention Networks [0.0]
  ポリファーマシー(英: Poly Pharmacy)は、複数の薬物を併用すること。 薬物と薬物の相互作用 (DDI) は、ある薬物の作用が他の薬物と結合した場合に起こる活動である。 薬物と薬物の相互作用を予測するための新しい異種グラフアテンションモデルであるHAN-DDIを提案する。
  論文  参考訳（メタデータ） (2022-07-12T16:59:06Z)
• HyGNN: Drug-Drug Interaction Prediction via Hypergraph Neural Network [0.0]
  薬物と薬物の相互作用(DDI)は薬物の機能を妨げる可能性があり、最悪の場合、薬物の副作用(ADR)を引き起こす可能性がある。 本稿では,DDI予測問題に対するSMILES文字列のみに基づく新しいハイパーグラフニューラルネットワーク(HyGNN)モデルを提案する。 提案したHyGNNモデルは, DDIを効果的に予測し, ROC-AUCとPR-AUCを97.9%, 98.1%で比較した。
  論文  参考訳（メタデータ） (2022-06-25T22:48:27Z)
• SMT-DTA: Improving Drug-Target Affinity Prediction with Semi-supervised Multi-task Training [139.07129841960491]
  ドラッグターゲット親和性(DTA)予測は、薬物発見と医薬品研究に不可欠な課題である。 濡れた実験は費用がかかり時間もかかるため、DTA予測のための教師付きデータは極めて限られている。 本研究では,DTA予測精度を向上させるために,いくつかの単純かつ効果的な戦略を持つフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• STNN-DDI: A Substructure-aware Tensor Neural Network to Predict Drug-Drug Interactions [3.360922672565234]
  DDI予測のためのサブストラクチャウェアニューラルネットワークモデル(STNN-DDI)を提案する。 提案モデルでは,サブストラクチャ-サブストラクチャ相互作用(SSI)空間を特徴付ける3次元のテンソル(サブストラクチャ,in-teraction型,サブストラクチャ)を学習する。 このSSI空間への薬物のマッピングにより、STNN-DDIはトランスダクティブシナリオとインダクティブシナリオの両方において多重型DDI予測を実行することができる。
  論文  参考訳（メタデータ） (2021-11-10T14:32:42Z)
• SafeDrug: Dual Molecular Graph Encoders for Safe Drug Recommendations [59.590084937600764]
  医薬品の分子構造とDDIのモデルを明確に活用するために、SafeDrugというDDI制御可能な薬物推奨モデルを提案する。 ベンチマークデータセットでは、SafeDrugはDDIを19.43%削減し、Jaccardの推奨薬物と実際に処方された薬物の組み合わせの2.88%を改善します。
  論文  参考訳（メタデータ） (2021-05-05T00:20:48Z)
• Predicting Drug-Drug Interactions from Heterogeneous Data: An Embedding Approach [20.87835183671462]
  薬物構造画像、薬物構造文字列表現、薬物関係のリレーショナル表現などの複数のデータソースを入力として使用する最初の作品を紹介します。 スタンドアロンの異なるデータ型を用いたいくつかの最先端の手法に対する実証的評価は、DDIの予測における異種データの組み合わせの有効性を明確に示しています。
  論文  参考訳（メタデータ） (2021-03-19T17:25:48Z)
• AttentionDDI: Siamese Attention-based Deep Learning method for drug-drug interaction predictions [0.9176056742068811]
  薬物と薬物の相互作用(DDIs)は、2つ以上の薬物の投与によって引き起こされるプロセスを指し、薬物が自分自身によって投与されるときに観察されるものを超える副作用をもたらす。 大量の薬物対が存在するため、すべての組み合わせを実験的にテストし、以前は観測されていなかった副作用を発見することはほとんど不可能である。 本稿では,複数の薬物類似度尺度を統合するddi予測のためのsiamese self-attention multi-modal neural networkを提案する。
  論文  参考訳（メタデータ） (2020-12-24T13:33:07Z)
• MolDesigner: Interactive Design of Efficacious Drugs with Deep Learning [61.74958429818077]
  MolDesignerは、ドラッグ開発者のためのヒューマン・イン・ザ・ループ・ウェブ・ユーザ・インタフェース(UI)である。 開発者は、インターフェイスに薬物分子を描画することができる。 バックエンドでは、17以上の最先端のDLモデルが、薬物の有効性に不可欠な重要な指標の予測を生成する。
  論文  参考訳（メタデータ） (2020-10-05T21:25:25Z)
• Two Step Joint Model for Drug Drug Interaction Extraction [82.49278654043577]
  薬物と薬物の相互作用 (DDI) テキスト分析会議 (TAC) 2018における薬物ラベルからの抽出 本稿では,DDI検出のための2段階関節モデルを提案する。 シーケンスタギングシステム(CNN-GRUエンコーダデコーダ)は、まず沈殿剤を発見し、その微細なトリガーを探索し、第2ステップで沈殿剤毎のDDIを決定する。
  論文  参考訳（メタデータ） (2020-08-28T15:30:08Z)

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。