論文の概要: NRBdMF: A recommendation algorithm for predicting drug effects considering directionality

• arxiv url: http://arxiv.org/abs/2208.04312v1
• Date: Fri, 5 Aug 2022 04:58:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-10 13:21:07.812849
• Title: NRBdMF: A recommendation algorithm for predicting drug effects considering directionality
• Title（参考訳）: NRBdMF:方向を考慮した薬物効果予測アルゴリズム
• Authors: Iori Azuma, Tadahaya Mizuno, Hiroyuki Kusuhara
• Abstract要約: そこで本研究では,NRBdMF (Cordinalized bidirectional matrix factorization) を用いて薬物効果の予測を行う。 NRBdMFを用いた薬物効果の双方向性を検討した最初の試みは、偽陽性を減少させ、高い解釈可能な出力を生み出すことを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting the novel effects of drugs based on information about approved drugs can be regarded as a recommendation system. Matrix factorization is one of the most used recommendation systems and various algorithms have been devised for it. A literature survey and summary of existing algorithms for predicting drug effects demonstrated that most such methods, including neighborhood regularized logistic matrix factorization, which was the best performer in benchmark tests, used a binary matrix that considers only the presence or absence of interactions. However, drug effects are known to have two opposite aspects, such as side effects and therapeutic effects. In the present study, we proposed using neighborhood regularized bidirectional matrix factorization (NRBdMF) to predict drug effects by incorporating bidirectionality, which is a characteristic property of drug effects. We used this proposed method for predicting side effects using a matrix that considered the bidirectionality of drug effects, in which known side effects were assigned a positive label (plus 1) and known treatment effects were assigned a negative (minus 1) label. The NRBdMF model, which utilizes drug bidirectional information, achieved enrichment of side effects at the top and indications at the bottom of the prediction list. This first attempt to consider the bidirectional nature of drug effects using NRBdMF showed that it reduced false positives and produced a highly interpretable output.
• Abstract（参考訳）: 承認薬に関する情報に基づく薬剤の新規効果の予測は推奨システムと見なすことができる。 行列分解は最もよく使われるレコメンデーションシステムの1つであり、様々なアルゴリズムが考案されている。 薬物効果を予測するための既存のアルゴリズムに関する文献調査と要約は、ベンチマークテストで最高の性能を発揮した近隣の正規化ロジスティック行列因数分解を含むほとんどの手法が相互作用の有無を考慮に入れた二項行列を用いたことを示した。 しかし、薬物効果には副作用と治療効果の2つの相反する側面があることが知られている。 本研究では,近接正規化二方向行列因子分解 (nrbdmf) を用いて, 薬物効果の特徴である双方向性を取り込むことにより, 薬物効果を予測する手法を提案する。 薬物効果の双方向性を考慮したマトリックスを用いた副作用予測手法として, 既知の副作用に正のラベル(プラス1)を付与し, 既知の治療効果に負のラベル(マイナス1)を付与した。 薬物の双方向情報を利用したNRBdMFモデルは,上位の副作用と予測リストの下部の指標の充実を実現した。 NRBdMFを用いた薬物効果の双方向性を検討した最初の試みは、偽陽性を減少させ、高い解釈可能な出力を生み出すことを示した。

関連論文リスト

• Causal machine learning for predicting treatment outcomes [75.13093479526151]
  Causal Machine Learning (ML)は、治療結果を予測するフレキシブルでデータ駆動の方法を提供する。 因果MLの主な利点は、個別化された治療効果を推定できることである。
  論文  参考訳（メタデータ） (2024-10-11T12:39:08Z)
• 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)
• Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment Effect Estimation [137.3520153445413]
  下流推論に重点を置く因果発見手法の評価において,顕著なギャップが存在する。 我々は,GFlowNetsに基づく新たな手法を含む,確立された7つの基本因果探索手法を評価する。 研究の結果,研究対象のアルゴリズムのいくつかは,多種多様なATEモードを効果的に捉えることができることがわかった。
  論文  参考訳（メタデータ） (2023-07-11T02:58:10Z)
• An Efficient Doubly-Robust Test for the Kernel Treatment Effect [31.522078399310466]
  本稿では,この処理の分散効果に対するカーネルベースの新しい試験法を提案する。 これは私たちの知る限り、最初のカーネルベースで2倍の不正なテストであり、確実に有効な型Iエラーです。
  論文  参考訳（メタデータ） (2023-04-26T01:56:34Z)
• On the Challenges of using Reinforcement Learning in Precision Drug Dosing: Delay and Prolongedness of Action Effects [42.84123628139412]
  薬物投与にRLを使用する2つの大きな課題は、薬物投与の遅延と長期的効果である。 PAE-POMDPをMDPに変換するための簡便で効果的な手法を提案する。 本研究は,おもちゃの課題に対する提案手法と,臨床に着想を得た報酬関数を考案したグルコース制御課題について検証した。
  論文  参考訳（メタデータ） (2023-01-02T03:16:59Z)
• NESTER: An Adaptive Neurosymbolic Method for Causal Effect Estimation [37.361149306896024]
  観測データからの因果効果推定は因果推論における中心的な問題である。 我々はニューロシンボリック因果効果推定器(NESTER)という適応手法を提案する。 我々の総合的な実験結果から、NESTERはベンチマークデータセットの最先端手法よりも優れた性能を示している。
  論文  参考訳（メタデータ） (2022-11-08T16:48:46Z)
• Graph Regularized Probabilistic Matrix Factorization for Drug-Drug Interactions Prediction [18.659559002642784]
  2つ以上の薬物の同時投与は、有害な薬物反応を引き起こすことがある。 薬物と薬物の相互作用(DDI)の同定は、特に薬物開発や古い薬物の精製に必要である。 本稿では,新しいグラフベース正規化戦略を通じて専門家の知識を取り入れたグラフ正規化確率行列因子化(MF)手法を提案する。
  論文  参考訳（メタデータ） (2022-10-19T12:33:06Z)
• Reenvisioning Collaborative Filtering vs Matrix Factorization [65.74881520196762]
  近年,行列因数分解に基づく協調フィルタリングモデルや,ニューラルネットワーク(ANN)を用いた類似性の学習が注目されている。 推薦エコシステム内でのANNの発表が最近疑問視され、効率性と有効性に関していくつかの比較がなされている。 本研究では,これらの手法が相補的評価次元に与える影響を解析しながら,超精度評価にもたらす可能性を示す。
  論文  参考訳（メタデータ） (2021-07-28T16:29:38Z)
• 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)
• A standardized framework for risk-based assessment of treatment effect heterogeneity in observational healthcare databases [60.07352590494571]
  本研究の目的は,この手法を標準化されたスケーラブルなフレームワークを用いて観測環境に拡張することであった。 アンジオテンシン変換酵素阻害薬(ACE)とβ阻害薬の3つの効果と6つの安全性に対する効果を評価することにより,我々の枠組みを実証する。
  論文  参考訳（メタデータ） (2020-10-13T14:48:31Z)
• A Node Embedding Framework for Integration of Similarity-based Drug Combination Prediction [7.4517333921953215]
  我々は,合成薬物の組み合わせを予測するために,NEMNのネットワーク埋め込みフレームワークを提案する。 マルチプレックスドラッグ類似性ネットワークに基づいて,異なる側面から有用な情報を統合するための代替手法を提案する。 薬物併用予測では, 外部情報源で検証した新薬を7種類検出した。
  論文  参考訳（メタデータ） (2020-02-25T02:24:47Z)

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。