Fugu-MT 論文翻訳(概要): Hyperbolic Molecular Representation Learning for Drug Repositioning

論文の概要: Hyperbolic Molecular Representation Learning for Drug Repositioning

arxiv url: http://arxiv.org/abs/2208.06361v1
Date: Wed, 6 Jul 2022 20:20:29 GMT
ステータス: 処理完了
システム内更新日: 2023-02-06 09:31:11.516788
Title: Hyperbolic Molecular Representation Learning for Drug Repositioning
Title（参考訳）: 薬物再配置のための双曲的分子表現学習
Authors: Ke Yu, Shyam Visweswaran, Kayhan Batmanghelich
Abstract要約: 薬物階層は、木のような構造の薬物間の関係に関する知識を符号化する貴重な情報源である。そこで我々は,2つの情報源を組み込んだ半教師付き薬物注入法を開発した。学習した薬物の埋め込みは薬物間の階層的関係を誘導できることを示す。
参考スコア（独自算出の注目度）: 19.73556079390888
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Learning accurate drug representations is essential for task such as computational drug repositioning. A drug hierarchy is a valuable source that encodes knowledge of relations among drugs in a tree-like structure where drugs that act on the same organs, treat the same disease, or bind to the same biological target are grouped together. However, its utility in learning drug representations has not yet been explored, and currently described drug representations cannot place novel molecules in a drug hierarchy. Here, we develop a semi-supervised drug embedding that incorporates two sources of information: (1) underlying chemical grammar that is inferred from chemical structures of drugs and drug-like molecules (unsupervised), and (2) hierarchical relations that are encoded in an expert-crafted hierarchy of approved drugs (supervised). We use the Variational Auto-Encoder (VAE) framework to encode the chemical structures of molecules and use the drug-drug similarity information obtained from the hierarchy to induce the clustering of drugs in hyperbolic space. The hyperbolic space is amenable for encoding hierarchical relations. Our qualitative results support that the learned drug embedding can induce the hierarchical relations among drugs. We demonstrate that the learned drug embedding can be used for drug repositioning.
Abstract（参考訳）: 正確な薬物表現の学習は、薬物再配置のようなタスクに不可欠である。薬物階層は、同じ臓器に作用し、同じ疾患を治療し、同じ生物学的標的に結合する薬物をまとめる木のような構造において、薬物間の関係に関する知識を符号化する貴重な情報源である。しかし、薬物表現の学習におけるその有用性はまだ研究されておらず、現在説明されている薬物表現は、新しい分子を薬物階層に配置することができない。そこで我々は,(1)医薬品や薬物様分子の化学構造から推定される基礎的な化学文法(unsupervised)と(2)承認薬物の専門家による階層構造にコード化される階層的関係(supervised)という,2つの情報源を組み込んだ半監督薬の埋め込みを開発する。分子の化学構造をエンコードするために変分オートエンコーダ(vae)フレームワークを使用し、階層構造から得られた薬物・薬物類似性情報を用いて双曲空間における薬物のクラスタリングを誘導する。双曲空間は階層関係を符号化することができる。我々の定性的な結果は、学習した薬物の埋め込みが薬物間の階層的関係を誘導できることを裏付ける。学習された薬物の埋め込みが薬物の再配置に利用できることを実証する。

関連論文リスト

DrugCLIP: Contrastive Drug-Disease Interaction For Drug Repurposing [4.969453745531116]
DrugCLIPは、ネガティブなラベルなしで薬物と疾患の相互作用を学ぶための対照的な学習方法である。実地臨床試験記録に基づく薬物再服用データセットをキュレートした。
論文参考訳（メタデータ） (2024-07-02T13:41:59Z)
When SMILES have Language: Drug Classification using Text Classification Methods on Drug SMILES Strings [5.648318448953635]
薬物のような複雑な化学構造は、通常SMILES文字列によって分子と結合の配列として定義される。薬物のSMILESを従来の文章として扱い、薬物分類のためのテキスト分類に関わった場合はどうでしょう? この研究は、各原子と結合を文成分と見なすという概念を探求し、薬物の種類を分類するための基本的なNLP法を用いている。
論文参考訳（メタデータ） (2024-03-03T11:09:32Z)
DecompDiff: Diffusion Models with Decomposed Priors for Structure-Based Drug Design [62.68420322996345]
既存の構造に基づく薬物設計法は、すべての配位子原子を等しく扱う。腕と足場を分解した新しい拡散モデルDecompDiffを提案する。提案手法は,高親和性分子の生成における最先端性能を実現する。
論文参考訳（メタデータ） (2024-02-26T05:21:21Z)
Emerging Opportunities of Using Large Language Models for Translation Between Drug Molecules and Indications [6.832024637226738]
薬物分子とそれに対応する指標を翻訳する新しい課題を提案する。表示からの分子の生成、またはその逆は、病気のより効率的なターゲティングを可能にする。
論文参考訳（メタデータ） (2024-02-14T21:33:13Z)
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)
Tailoring Molecules for Protein Pockets: a Transformer-based Generative Solution for Structured-based Drug Design [133.1268990638971]
標的タンパク質の構造に基づくデノボ薬物の設計は、新規な薬物候補を提供することができる。そこで本研究では,特定のターゲットに対して,対象薬物をスクラッチから直接生成できるTamGentという生成ソリューションを提案する。
論文参考訳（メタデータ） (2022-08-30T09:32:39Z)
Self-supervised Learning for Label Sparsity in Computational Drug Repositioning [2.523552067304274]
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。
論文参考訳（メタデータ） (2022-06-01T06:43:23Z)
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)
MolDesigner: Interactive Design of Efficacious Drugs with Deep Learning [61.74958429818077]
MolDesignerは、ドラッグ開発者のためのヒューマン・イン・ザ・ループ・ウェブ・ユーザ・インタフェース(UI)である。開発者は、インターフェイスに薬物分子を描画することができる。バックエンドでは、17以上の最先端のDLモデルが、薬物の有効性に不可欠な重要な指標の予測を生成する。
論文参考訳（メタデータ） (2020-10-05T21:25:25Z)
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)
Semi-Supervised Hierarchical Drug Embedding in Hyperbolic Space [19.73556079390888]
薬物階層は、木のような構造における薬物関係に関する人間の知識を符号化する貴重な情報源である。そこで我々は,2つの情報源を組み込んだ半教師付き薬物注入法を開発した。本研究は,既存の薬物の新規使用や副作用の発見に有効であることを示す。
論文参考訳（メタデータ） (2020-06-01T14:46:31Z)

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。