論文の概要: Self-supervised Learning for Label Sparsity in Computational Drug Repositioning

• arxiv url: http://arxiv.org/abs/2206.00262v1
• Date: Wed, 1 Jun 2022 06:43:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-02 13:34:39.014595
• Title: Self-supervised Learning for Label Sparsity in Computational Drug Repositioning
• Title（参考訳）: 薬物再配置におけるラベルスパーシティの自己教師あり学習
• Authors: Xinxing Yang, Genke Yang, Jian Chu
• Abstract要約: 計算薬物再配置は 市販薬物の新しい用途を 発見することを目的としてる 実世界の薬物・疾患の数と比較して、有効な薬物・疾患関連団体の数は少ない。 薬物再配置のためのマルチタスク型自己教師型学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.523552067304274
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The computational drug repositioning aims to discover new uses for marketed drugs, which can accelerate the drug development process and play an important role in the existing drug discovery system. However, the number of validated drug-disease associations is scarce compared to the number of drugs and diseases in the real world. Too few labeled samples will make the classification model unable to learn effective latent factors of drugs, resulting in poor generalization performance. In this work, we propose a multi-task self-supervised learning framework for computational drug repositioning. The framework tackles label sparsity by learning a better drug representation. Specifically, we take the drug-disease association prediction problem as the main task, and the auxiliary task is to use data augmentation strategies and contrast learning to mine the internal relationships of the original drug features, so as to automatically learn a better drug representation without supervised labels. And through joint training, it is ensured that the auxiliary task can improve the prediction accuracy of the main task. More precisely, the auxiliary task improves drug representation and serving as additional regularization to improve generalization. Furthermore, we design a multi-input decoding network to improve the reconstruction ability of the autoencoder model. We evaluate our model using three real-world datasets. The experimental results demonstrate the effectiveness of the multi-task self-supervised learning framework, and its predictive ability is superior to the state-of-the-art model.
• Abstract（参考訳）: 計算的な薬物再配置は、薬の開発プロセスを加速し、既存の薬物発見システムにおいて重要な役割を果たす、市場薬の新しい用途の発見を目的としている。 しかし、現実の世界における薬剤や疾患の数に比べ、有効な薬剤・病原体協会の数は少ない。 ラベル付きサンプルが少なすぎるため、分類モデルは薬物の有効な潜伏因子を学習できないため、一般化性能が低下する。 本研究では,薬物再配置のためのマルチタスク型自己教師型学習フレームワークを提案する。 このフレームワークは、より良い薬物表現を学習することでラベルの空間性に取り組む。 具体的には、薬物動態予測問題を主な課題とし、補助的タスクは、データ強化戦略とコントラスト学習を用いて、元の薬物特徴の内部関係を抽出し、監督されたラベルを使わずに、より良い薬物表現を自動学習することである。 そして、共同訓練により、補助タスクが主タスクの予測精度を向上させることが保証される。 より正確には、補助タスクは薬物表現を改善し、一般化を改善するために追加の正規化として機能する。 さらに,マルチ入力デコードネットワークの設計を行い,オートエンコーダモデルの再構成能力を向上させる。 3つの実世界のデータセットを用いてモデルを評価する。 実験結果は,マルチタスク自己教師付き学習フレームワークの有効性を示し,その予測能力は最先端モデルよりも優れていることを示した。

関連論文リスト

• DrugAgent: Explainable Drug Repurposing Agent with Large Language Model-based Reasoning [10.528489471229946]
  本稿では,最先端の機械学習技術と知識統合を用いた医薬品再調達プロセスを強化するためのマルチエージェントフレームワークを提案する。 AIエージェントは、DTIモデルを訓練し、知識グラフエージェントはDGIdbを使用してDTIを系統的に抽出する。 これらのエージェントからの出力を統合することで、外部データベースを含む多様なデータソースを効果的に活用し、実行可能な再資源化候補を提案する。
  論文  参考訳（メタデータ） (2024-08-23T21:24:59Z)
• Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
  AIによる薬物発見の大きな課題は、高品質なデータの不足である。 薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。 実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
  論文  参考訳（メタデータ） (2024-04-16T07:42:55Z)
• 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)
• 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)
• 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)
• DrugOOD: Out-of-Distribution (OOD) Dataset Curator and Benchmark for AI-aided Drug Discovery -- A Focus on Affinity Prediction Problems with Noise Annotations [90.27736364704108]
  我々は、AI支援薬物発見のための体系的なOODデータセットキュレーターおよびベンチマークであるTarmOODを提案する。 DrugOODには、ベンチマークプロセスを完全に自動化するオープンソースのPythonパッケージが付属している。 我々は、薬物標的結合親和性予測という、AIDDにおける最も重要な問題の1つに焦点を当てる。
  論文  参考訳（メタデータ） (2022-01-24T12:32:48Z)
• A Review of Biomedical Datasets Relating to Drug Discovery: A Knowledge Graph Perspective [4.746544835197422]
  薬物発見分野に新しい技術を適用することに興味を持つ機械学習や知識グラフの実践者を支援することを目的としている。 様々な創薬中心の知識グラフの構築に適した情報を含む公開のプライマリデータソースを詳細に説明します。
  論文  参考訳（メタデータ） (2021-02-19T17:49:38Z)
• Deep Learning for Virtual Screening: Five Reasons to Use ROC Cost Functions [80.12620331438052]
  深層学習は サイリコの何十億もの分子を 迅速にスクリーニングする 重要なツールとなりました その重要性にもかかわらず、厳密なクラス不均衡、高い決定しきい値、いくつかのデータセットにおける基底真理ラベルの欠如など、これらのモデルのトレーニングにおいて重大な課題が続いている。 このような場合、クラス不均衡に対するロバスト性から、レシーバ動作特性(ROC)を直接最適化することを好んで論じる。
  論文  参考訳（メタデータ） (2020-06-25T08:46:37Z)
• 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)

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。