論文の概要: Communicative Subgraph Representation Learning for Multi-Relational
Inductive Drug-Gene Interaction Prediction
- arxiv url: http://arxiv.org/abs/2205.05957v1
- Date: Thu, 12 May 2022 08:53:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-13 14:28:37.900296
- Title: Communicative Subgraph Representation Learning for Multi-Relational
Inductive Drug-Gene Interaction Prediction
- Title（参考訳）: マルチリレーショナルインダクティブ薬物-遺伝子相互作用予測のためのコミュニティブサブグラフ表現学習
- Authors: Jiahua Rao, Shuangjia Zheng, Sijie Mai, and Yuedong Yang
- Abstract要約: マルチリレーショナル・インダクティブ・ドラッグ-遺伝子相互作用予測(CoSMIG)のための新しいコミュニケーティブ・サブグラフ表現学習法を提案する。
このモデルは、通信メッセージパッシング機構を通じて、薬物遺伝子グラフの関係を強化した。
提案手法は,トランスダクティブシナリオにおいて最先端のベースラインより優れ,インダクティブシナリオでは優れた性能を実現した。
- 参考スコア（独自算出の注目度）: 17.478102754113294
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Illuminating the interconnections between drugs and genes is an important
topic in drug development and precision medicine. Currently, computational
predictions of drug-gene interactions mainly focus on the binding interactions
without considering other relation types like agonist, antagonist, etc. In
addition, existing methods either heavily rely on high-quality domain features
or are intrinsically transductive, which limits the capacity of models to
generalize to drugs/genes that lack external information or are unseen during
the training process. To address these problems, we propose a novel
Communicative Subgraph representation learning for Multi-relational Inductive
drug-Gene interactions prediction (CoSMIG), where the predictions of drug-gene
relations are made through subgraph patterns, and thus are naturally inductive
for unseen drugs/genes without retraining or utilizing external domain
features. Moreover, the model strengthened the relations on the drug-gene graph
through a communicative message passing mechanism. To evaluate our method, we
compiled two new benchmark datasets from DrugBank and DGIdb. The comprehensive
experiments on the two datasets showed that our method outperformed
state-of-the-art baselines in the transductive scenarios and achieved superior
performance in the inductive ones. Further experimental analysis including
LINCS experimental validation and literature verification also demonstrated the
value of our model.
- Abstract（参考訳）: 薬物と遺伝子間の相互結合を照明することは、薬物開発と精密医学において重要なトピックである。
現在、薬物-遺伝子相互作用の計算予測は主にアゴニスト、アンタゴニストなどの他の関係型を考慮せずに結合相互作用に焦点を当てている。
加えて、既存の手法は高品質なドメイン機能に大きく依存するか、または本質的にトランスダクティブであり、外部情報を持たない薬物や遺伝子に一般化するモデルの能力を制限する。
そこで,本研究では,薬物と遺伝子の関係の予測をサブグラフパターンを用いて行うマルチリレーショナルインダクティブな薬物-遺伝子間相互作用予測(cosmig)のための新しいコミュニケーション型サブグラフ表現学習を提案する。
さらに,モデルでは,コミュニケーション的メッセージパッシング機構により,薬物-遺伝子グラフの関係性が強化された。
提案手法を評価するため,DGIdb と DrugBank のベンチマークデータセットを作成した。
2つのデータセットの総合的な実験により,本手法はトランスダクティブシナリオにおいて最先端のベースラインより優れ,インダクティブシナリオでは優れた性能を示した。
LINCS 実験検証や文献検証を含むさらなる実験分析も,本モデルの有効性を実証した。
関連論文リスト
- Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - 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) - Message Intercommunication for Inductive Relation Reasoning [49.731293143079455]
我々はMINESと呼ばれる新しい帰納的関係推論モデルを開発した。
隣り合う部分グラフにメッセージ通信機構を導入する。
我々の実験は、MINESが既存の最先端モデルより優れていることを示している。
論文 参考訳（メタデータ） (2023-05-23T13:51:46Z) - 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) - 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) - Hierarchical Graph Representation Learning for the Prediction of
Drug-Target Binding Affinity [7.023929372010717]
本稿では,薬物結合親和性予測,すなわちHGRL-DTAのための新しい階層グラフ表現学習モデルを提案する。
本稿では,グローバルレベルの親和性グラフと局所レベルの分子グラフから得られた階層的表現を統合するためのメッセージブロードキャスティング機構を採用し,また,類似性に基づく埋め込みマップを設計し,未知の薬物や標的に対する表現の推論というコールドスタート問題を解決する。
論文 参考訳（メタデータ） (2022-03-22T04:50:16Z) - Improved Drug-target Interaction Prediction with Intermolecular Graph
Transformer [98.8319016075089]
本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。
分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。
IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
論文 参考訳（メタデータ） (2021-10-14T13:28:02Z) - 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) - 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) - Drug-Drug Interaction Prediction with Wasserstein Adversarial
Autoencoder-based Knowledge Graph Embeddings [22.562175708415392]
薬物・薬物相互作用のための知識グラフ埋め込みフレームワークを提案する。
本フレームワークでは, 高品質な負のサンプルを生成するために, オートエンコーダを用いる。
判別器は、正三重項と負三重項の両方に基づいて薬物と相互作用の埋め込みを学習する。
論文 参考訳（メタデータ） (2020-04-15T21:03:29Z) - Explainable Deep Relational Networks for Predicting Compound-Protein
Affinities and Contacts [80.69440684790925]
Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。
それは最先端技術に対する優れた解釈可能性を示している。
接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
論文 参考訳（メタデータ） (2019-12-29T00:14:07Z)
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。