Fugu-MT 論文翻訳(概要): DDI Prediction via Heterogeneous Graph Attention Networks

論文の概要: DDI Prediction via Heterogeneous Graph Attention Networks

arxiv url: http://arxiv.org/abs/2207.05672v1
Date: Tue, 12 Jul 2022 16:59:06 GMT
ステータス: 処理完了
システム内更新日: 2022-07-13 14:24:32.707357
Title: DDI Prediction via Heterogeneous Graph Attention Networks
Title（参考訳）: 不均一グラフ注意ネットワークによるDDI予測
Authors: Farhan Tanvir, Khaled Mohammed Saifuddin, Esra Akbas
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Polypharmacy, defined as the use of multiple drugs together, is a standard treatment method, especially for severe and chronic diseases. However, using multiple drugs together may cause interactions between drugs. Drug-drug interaction (DDI) is the activity that occurs when the impact of one drug changes when combined with another. DDIs may obstruct, increase, or decrease the intended effect of either drug or, in the worst-case scenario, create adverse side effects. While it is critical to detect DDIs on time, it is timeconsuming and expensive to identify them in clinical trials due to their short duration and many possible drug pairs to be considered for testing. As a result, computational methods are needed for predicting DDIs. In this paper, we present a novel heterogeneous graph attention model, HAN-DDI to predict drug-drug interactions. We create a heterogeneous network of drugs with different biological entities. Then, we develop a heterogeneous graph attention network to learn DDIs using relations of drugs with other entities. It consists of an attention-based heterogeneous graph node encoder for obtaining drug node representations and a decoder for predicting drug-drug interactions. Further, we utilize comprehensive experiments to evaluate of our model and to compare it with state-of-the-art models. Experimental results show that our proposed method, HAN-DDI, outperforms the baselines significantly and accurately predicts DDIs, even for new drugs.
Abstract（参考訳）: 多発性薬物の併用として定義される多剤療法は、特に重篤な慢性疾患に対する標準的な治療法である。しかし、複数の薬物を併用すると薬物間の相互作用が引き起こされることがある。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。 DDIは、薬物の意図した効果を阻害、増加、または減少させ、最悪の場合、副作用を引き起こす。時間とともにDDIを検出することは重要であるが、短い期間と多くの薬物ペアが試薬として考えられるため、臨床試験でDDIを特定するのに時間がかかり、費用がかかる。その結果,DDIの予測には計算手法が必要である。本稿では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HAN-DDIを提案する。異なる生物学的実体を持つ薬物の異種ネットワークを作りますそこで我々は,薬物と他の物質との関係を利用してDDIを学習する異種グラフアテンションネットワークを開発した。薬物ノード表現を得るための注意に基づく不均質なグラフノードエンコーダと、薬物-薬物相互作用を予測するデコーダとからなる。さらに,本モデルの評価に包括的実験を活用し,最先端モデルと比較した。実験の結果, 提案手法であるhan-ddiは, 新規薬剤においてもddisを有意に高精度に予測できることがわかった。

関連論文リスト

Benchmarking Graph Learning for Drug-Drug Interaction Prediction [30.712106722531313]
薬物・薬物相互作用の予測(DDI)は薬理学と医療において重要な役割を担っている。近年,薬物と薬物の相互作用を予測するグラフ学習法が提案されている。グラフ学習におけるDDI予測ベンチマークを提案する。
論文参考訳（メタデータ） (2024-10-24T09:35:34Z)
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)
Accurate and interpretable drug-drug interaction prediction enabled by knowledge subgraph learning [39.66471292348325]
本稿では,薬物と薬物の相互作用の潜在的な発見という課題に対処するグラフニューラルネットワークを用いたKnowDDIを提案する。 KnowDDIは、大きなバイオメディカル知識グラフからリッチな近隣情報を適応的に活用することで、薬物表現を強化する。元々のオープンソースツールであるKnowDDIは、さまざまな関連するインタラクション予測タスクにおいて、可能なインタラクションを検出するのに役立ちます。
論文参考訳（メタデータ） (2023-11-25T15:44:28Z)
Emerging Drug Interaction Prediction Enabled by Flow-based Graph Neural Network with Biomedical Network [69.16939798838159]
本稿では,新興医薬品の相互作用を効果的に予測できるグラフニューラルネットワーク(GNN)であるEmerGNNを提案する。 EmerGNNは、薬物ペア間の経路を抽出し、ある薬物から他の薬物へ情報を伝達し、関連する生物学的概念を経路に組み込むことで、薬物のペアワイズ表現を学習する。全体として、EmerGNNは、新興薬物の相互作用を予測する既存のアプローチよりも精度が高く、バイオメディカルネットワーク上で最も関連性の高い情報を特定できる。
論文参考訳（メタデータ） (2023-11-15T06:34:00Z)
ADRNet: A Generalized Collaborative Filtering Framework Combining Clinical and Non-Clinical Data for Adverse Drug Reaction Prediction [49.56476929112382]
逆薬物反応(ADR)予測は、医療と薬物発見において重要な役割を果たす。 ADRNetは、臨床データと非臨床データを組み合わせた一般的な協調フィルタリングフレームワークである。
論文参考訳（メタデータ） (2023-08-03T11:28:12Z)
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)
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)
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)
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)
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。