論文の概要: SMT-DTA: Improving Drug-Target Affinity Prediction with Semi-supervised
Multi-task Training
- arxiv url: http://arxiv.org/abs/2206.09818v1
- Date: Mon, 20 Jun 2022 14:53:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-22 15:25:59.691935
- Title: SMT-DTA: Improving Drug-Target Affinity Prediction with Semi-supervised
Multi-task Training
- Title(参考訳): SMT-DTA:半教師型マルチタスクトレーニングによる薬物標的親和性予測の改善
- Authors: Qizhi Pei, Lijun Wu, Jinhua Zhu, Yingce Xia, Shufang Xia, Tao Qin,
Haiguang Liu, Tie-Yan Liu
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 136.94556852163004
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Drug-Target Affinity (DTA) prediction is an essential task for drug discovery
and pharmaceutical research. Accurate predictions of DTA can greatly benefit
the design of new drug. As wet experiments are costly and time consuming, the
supervised data for DTA prediction is extremely limited. This seriously hinders
the application of deep learning based methods, which require a large scale of
supervised data. To address this challenge and improve the DTA prediction
accuracy, we propose a framework with several simple yet effective strategies
in this work: (1) a multi-task training strategy, which takes the DTA
prediction and the masked language modeling (MLM) task on the paired
drug-target dataset; (2) a semi-supervised training method to empower the drug
and target representation learning by leveraging large-scale unpaired molecules
and proteins in training, which differs from previous pre-training and
fine-tuning methods that only utilize molecules or proteins in pre-training;
and (3) a cross-attention module to enhance the interaction between drug and
target representation. Extensive experiments are conducted on three real-world
benchmark datasets: BindingDB, DAVIS and KIBA. The results show that our
framework significantly outperforms existing methods and achieves
state-of-the-art performances, e.g., $0.712$ RMSE on BindingDB IC$_{50}$
measurement with more than $5\%$ improvement than previous best work. In
addition, case studies on specific drug-target binding activities, drug feature
visualizations, and real-world applications demonstrate the great potential of
our work. The code and data are released at https://github.com/QizhiPei/SMT-DTA
- Abstract(参考訳): 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。
DTAの正確な予測は、新しい薬物の設計に大きな恩恵をもたらす。
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。
これにより、大規模な教師付きデータを必要とするディープラーニングベースの手法の適用が深刻な障害となる。
To address this challenge and improve the DTA prediction accuracy, we propose a framework with several simple yet effective strategies in this work: (1) a multi-task training strategy, which takes the DTA prediction and the masked language modeling (MLM) task on the paired drug-target dataset; (2) a semi-supervised training method to empower the drug and target representation learning by leveraging large-scale unpaired molecules and proteins in training, which differs from previous pre-training and fine-tuning methods that only utilize molecules or proteins in pre-training; and (3) a cross-attention module to enhance the interaction between drug and target representation.
BindingDB、DAVIS、KIBAの3つの実世界のベンチマークデータセットで大規模な実験が行われた。
その結果,提案手法は既存の手法を大幅に上回っており,最新の性能,例えばバインディングdb ic$_{50}$測定値で$0.712$ rmseを達成することができた。
さらに、特定の薬物標的結合活性、薬物の特徴可視化、および実世界の応用に関するケーススタディは、我々の研究の大きな可能性を示している。
コードとデータはhttps://github.com/QizhiPei/SMT-DTAで公開される
関連論文リスト
- Learning to Describe for Predicting Zero-shot Drug-Drug Interactions [54.172575323610175]
薬物と薬物の相互作用は同時投与の有効性を損なう可能性がある。
従来のDDI予測の計算手法では、知識不足のため、新しい薬物の相互作用を捉えることができない可能性がある。
言語モデルに基づくDDI予測器と強化学習(RL)に基づく情報セレクタを用いたテキストDDIを提案する。
論文 参考訳(メタデータ) (2024-03-13T09:42:46Z) - DDIPrompt: Drug-Drug Interaction Event Prediction based on Graph Prompt
Learning [15.69547371747469]
我々はDDIPromptを提案し、高度に不均衡な事象分布と稀な事象に対するラベル付きデータの不足を克服する。
最初の課題を解決するために、DDIPromptは、構造的および対話的な近接性の両方を考慮して、薬物間のリンクを増設する。
2つ目の課題は、推論中にプロトタイプ強化プロンプト機構を実装することである。
論文 参考訳(メタデータ) (2024-02-18T06:22:01Z) - 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) - Zero-shot Learning of Drug Response Prediction for Preclinical Drug
Screening [38.94493676651818]
ゼロショット学習ソリューションを提案する。
予防的薬物スクリーニングの課題です
具体的には、MSDAと呼ばれるマルチブランチマルチソースドメイン適応テスト拡張プラグインを提案する。
論文 参考訳(メタデータ) (2023-10-05T05:55:41Z) - 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) - Multi-View Substructure Learning for Drug-Drug Interaction Prediction [69.34322811160912]
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。
論文 参考訳(メタデータ) (2022-03-28T05:44:29Z) - 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) - 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) - 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。