論文の概要: Graph Distance Neural Networks for Predicting Multiple Drug Interactions

• arxiv url: http://arxiv.org/abs/2208.14810v1
• Date: Tue, 30 Aug 2022 04:04:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-01 13:07:45.718263
• Title: Graph Distance Neural Networks for Predicting Multiple Drug Interactions
• Title（参考訳）: 複数の薬物相互作用を予測するグラフ距離ニューラルネットワーク
• Authors: Haifan zhou, Wenjing Zhou, Junfeng Wu
• Abstract要約: グラフは薬物と薬物の相互作用を表す:ノードは薬物の相互作用を表す;エッジは薬物と薬物の相互作用を表す。 本研究は薬物と薬物の相互作用を予測するグラフ距離ニューラルネットワーク(GDNN)を提案する。 GDNNはogb-ddiddiデータセットでTest Hits@20=0.9037を達成した。
• 参考スコア（独自算出の注目度）: 4.103701929881021
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Since multidrug combination is widely applied, the accurate prediction of drug-drug interaction (DDI) is becoming more and more critical. In our method, we use graph to represent drug-drug interaction: nodes represent drug; edges represent drug-drug interactions. Based on our assumption, we convert the prediction of DDI to link prediction problem, utilizing known drug node characteristics and DDI types to predict unknown DDI types. This work proposes a Graph Distance Neural Network (GDNN) to predict drug-drug interactions. Firstly, GDNN generates initial features for nodes via target point method, fully including the distance information in the graph. Secondly, GDNN adopts an improved message passing framework to better generate each drug node embedded expression, comprehensively considering the nodes and edges characteristics synchronously. Thirdly, GDNN aggregates the embedded expressions, undergoing MLP processing to generate the final predicted drug interaction type. GDNN achieved Test Hits@20=0.9037 on the ogb-ddi dataset, proving GDNN can predict DDI efficiently.
• Abstract（参考訳）: 多剤併用が広く適用されているため、薬物-薬物相互作用(ddi)の正確な予測がますます重要になっている。 本手法では,薬物と薬物の相互作用を表すグラフを用いて,薬物と薬物の相互作用を表す。 我々は,DDIの予測をリンク予測問題に変換し,既知の薬物ノード特性とDDI型を利用して未知のDDI型を予測する。 薬物と薬物の相互作用を予測するグラフ距離ニューラルネットワーク(GDNN)を提案する。 まず、GDNNは、グラフ内の距離情報を完全に含むターゲットポイント法によるノードの初期特徴を生成する。 第2に、GDNNは改善されたメッセージパッシングフレームワークを採用し、各薬物ノードの埋め込み式をより良く生成し、ノードとエッジの特性を同期的に総合的に考慮する。 第3に、GDNNは組込み式を集約し、MLP処理を行い、最終的な予測される薬物相互作用型を生成する。 GDNNはogb-ddiデータセット上でTest Hits@20=0.9037を達成した。

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)
• 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)
• Predicting Drug-Drug Interactions Using Knowledge Graphs [0.0]
  本稿では,公開医薬品リポジトリからKnowledge Graphにいくつかのドラッグ機能を統合する,医療用エンドツーエンドフレームワークを提案する。 最終的には、未知のドラッグ・ドラッグ・インタラクション(DDI)を予測する機械学習(ML)アルゴリズムを使用します。 また、グラフニューラルネットワーク(GNN)を用いたグラフ自動エンコーダモデルを開発し、91.94%のF1スコアを達成した。
  論文  参考訳（メタデータ） (2023-08-08T10:07:22Z)
• Modeling Polypharmacy and Predicting Drug-Drug Interactions using Deep Generative Models on Multimodal Graphs [6.875312133832078]
  マルチモーダルネットワーク上での潜在ノード表現のモデル化におけるグラフオートエンコーダ(VGAE)の有効性を示す。 提案手法は,マルチモーダルグラフの各ノードタイプに対して柔軟な潜在空間を生成する。 モーガンの指紋は各薬の分子構造を捉え、その前に潜伏した埋め込みをデコードする。
  論文  参考訳（メタデータ） (2023-02-17T04:06:46Z)
• Predicting Drug-Drug Interactions using Deep Generative Models on Graphs [6.875312133832078]
  マルチモーダルネットワーク上での潜在ノード表現における変分グラフオートエンコーダの有効性を示す。 提案手法は,マルチモーダルグラフの各ノードタイプに対して柔軟な潜在空間を生成する。 モデルの性能をさらに高めるために,各薬物の分子構造を捉える新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-09-14T14:27:32Z)
• 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)
• Central-Smoothing Hypergraph Neural Networks for Predicting Drug-Drug Interactions [15.038537438390556]
  我々はDDIを3つのハイパーエッジを持つハイパーグラフとして定式化し、薬物のノードが2つ、ラベルのノードが1つである。 次に、ノードとラベルの表現を完全に学習するハイパーグラフニューラルネットワークであるCentSmoothieを紹介します。
  論文  参考訳（メタデータ） (2021-12-15T02:17:03Z)
• SumGNN: Multi-typed Drug Interaction Prediction via Efficient Knowledge Graph Summarization [64.56399911605286]
  本稿では,サブグラフ抽出モジュールによって実現された知識要約グラフニューラルネットワークSumGNNを提案する。 SumGNNは5.54%まで最高のベースラインを上回り、データ関係の低いタイプでは特にパフォーマンスの向上が顕著である。
  論文  参考訳（メタデータ） (2020-10-04T00:14:57Z)
• Distance Encoding: Design Provably More Powerful Neural Networks for Graph Representation Learning [63.97983530843762]
  グラフニューラルネットワーク(GNN)はグラフ表現学習において大きな成功を収めている。 GNNは、実際には非常に異なるグラフ部分構造に対して同一の表現を生成する。 より強力なGNNは、最近高階試験を模倣して提案され、基礎となるグラフ構造を疎結合にできないため、非効率である。 本稿では,グラフ表現学習の新たなクラスとして距離分解(DE)を提案する。
  論文  参考訳（メタデータ） (2020-08-31T23:15:40Z)
• SkipGNN: Predicting Molecular Interactions with Skip-Graph Networks [70.64925872964416]
  分子間相互作用の予測のためのグラフニューラルネットワークSkipGNNを提案する。 SkipGNNは直接相互作用からの情報だけでなく、二階相互作用からも情報を収集することで分子間相互作用を予測する。 また,SkipGNNは,既存の手法を最大28.8%上回り,優れた,堅牢な性能を実現していることを示す。
  論文  参考訳（メタデータ） (2020-04-30T16:55:58Z)

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。