論文の概要: Interpreting the Mechanism of Synergism for Drug Combinations Using
Attention-Based Hierarchical Graph Pooling
- arxiv url: http://arxiv.org/abs/2209.09245v2
- Date: Tue, 22 Aug 2023 18:45:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-24 19:09:02.712538
- Title: Interpreting the Mechanism of Synergism for Drug Combinations Using
Attention-Based Hierarchical Graph Pooling
- Title（参考訳）: 注意に基づく階層グラフプーリングを用いた薬物組み合わせの相乗作用機構の解釈
- Authors: Zehao Dong, Heming Zhang, Yixin Chen, Philip R.O. Payne and Fuhai Li
- Abstract要約: 我々は、基礎となる根本的治療目標と相乗効果(MoS)のメカニズムを明らかにする解釈可能なグラフニューラルネットワーク(GNN)を開発した。
提案したGNNモデルは、検出された重要なサブ分子ネットワークに基づいて、薬物結合の相乗効果を予測し、解釈する体系的な方法を提供する。
- 参考スコア（独自算出の注目度）: 10.898133007285638
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Synergistic drug combinations provide huge potentials to enhance therapeutic
efficacy and to reduce adverse reactions. However, effective and synergistic
drug combination prediction remains an open question because of the unknown
causal disease signaling pathways. Though various deep learning (AI) models
have been proposed to quantitatively predict the synergism of drug
combinations, the major limitation of existing deep learning methods is that
they are inherently not interpretable, which makes the conclusions of AI models
untransparent to human experts, henceforth limiting the robustness of the model
conclusion and the implementation ability of these models in real-world
human--AI healthcare. In this paper, we develop an interpretable graph neural
network (GNN) that reveals the underlying essential therapeutic targets and the
mechanism of the synergy (MoS) by mining the sub-molecular network of great
importance. The key point of the interpretable GNN prediction model is a novel
graph pooling layer, a self-attention-based node and edge pool (henceforth
SANEpool), that can compute the attention score (importance) of genes and
connections based on the genomic features and topology. As such, the proposed
GNN model provides a systematic way to predict and interpret the drug
combination synergism based on the detected crucial sub-molecular network.
Experiments on various well-adopted drug-synergy-prediction datasets
demonstrate that (1) the SANEpool model has superior predictive ability to
generate accurate synergy score prediction, and (2) the sub-molecular networks
detected by the SANEpool are self-explainable and salient for identifying
synergistic drug combinations.
- Abstract（参考訳）: シナジスティック薬物の組み合わせは、治療効果を高め、副作用を減らす大きな可能性をもたらす。
しかし、有効かつ相乗的な薬物結合予測は、未知の因果病シグナル伝達経路のため、未解決の問題である。
薬物の組み合わせの相乗効果を定量的に予測するために、さまざまなディープラーニング(AI)モデルが提案されているが、既存のディープラーニング手法の最大の制限は、それらが本質的に解釈不可能であり、AIモデルの結論が人間の専門家に不明瞭であることである。
本稿では,重要なサブ分子ネットワークをマイニングすることにより,根本的な治療目標とシナジー(mos)のメカニズムを明らかにする,解釈可能なグラフニューラルネットワーク(gnn)を開発した。
解釈可能なGNN予測モデルのキーポイントは、新しいグラフプーリング層、自己注意に基づくノードとエッジプール(以下SANEpool)であり、ゲノムの特徴とトポロジーに基づいて、遺伝子と接続の注意スコア(重要度)を計算することができる。
提案するgnnモデルは、検出された重要なサブ分子ネットワークに基づいて、薬物結合相乗効果を予測し、解釈するための体系的な方法を提供する。
その結果,(1)SANEpoolモデルが正確な相乗効果を予測できる優れた予測能力を有し,(2)SANEpoolが検出したサブ分子ネットワークは自己説明可能で,相乗効果のある薬物の組み合わせを同定するための健全性を示した。
関連論文リスト
- Learning to Denoise Biomedical Knowledge Graph for Robust Molecular Interaction Prediction [50.7901190642594]
分子間相互作用予測のためのバイオKDN (Biomedical Knowledge Graph Denoising Network) を提案する。
BioKDNは、ノイズの多いリンクを学習可能な方法で識別することで、局所的な部分グラフの信頼性の高い構造を洗練する。
ターゲットの相互作用に関する関係を円滑にすることで、一貫性とロバストなセマンティクスを維持する。
論文 参考訳（メタデータ） (2023-12-09T07:08:00Z) - 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) - Hierarchical Graph Representation Learning for the Prediction of
Drug-Target Binding Affinity [7.023929372010717]
本稿では,薬物結合親和性予測,すなわちHGRL-DTAのための新しい階層グラフ表現学習モデルを提案する。
本稿では,グローバルレベルの親和性グラフと局所レベルの分子グラフから得られた階層的表現を統合するためのメッセージブロードキャスティング機構を採用し,また,類似性に基づく埋め込みマップを設計し,未知の薬物や標的に対する表現の推論というコールドスタート問題を解決する。
論文 参考訳（メタデータ） (2022-03-22T04:50:16Z) - BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。
リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。
BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
論文 参考訳（メタデータ） (2021-12-13T17:35:54Z) - MOOMIN: Deep Molecular Omics Network for Anti-Cancer Drug Combination
Therapy [2.446672595462589]
本稿では,がん治療における薬物併用の相乗効果を予測できるマルチモーダルグラフニューラルネットワークを提案する。
本モデルでは,薬物とタンパク質の相互作用ネットワークとメタデータに基づいて,薬物のコンテキストを複数スケールで表現する。
このモデルが癌細胞株の組織を広範囲にわたって高い品質で予測できることを実証した。
論文 参考訳（メタデータ） (2021-10-28T13:10:25Z) - Improved Drug-target Interaction Prediction with Intermolecular Graph
Transformer [98.8319016075089]
本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。
分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。
IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
論文 参考訳（メタデータ） (2021-10-14T13:28:02Z) - DeepDDS: deep graph neural network with attention mechanism to predict
synergistic drug combinations [0.9854322576538699]
計算スクリーニングは 薬物の組み合わせを優先する重要な方法になっています
DeepDDSは16%以上の予測精度で競合手法よりも優れていた。
論文 参考訳（メタデータ） (2021-07-06T08:25:43Z) - Quantitative Evaluation of Explainable Graph Neural Networks for
Molecular Property Prediction [2.8544822698499255]
グラフニューラルネットワーク(GNN)は、解釈可能性の欠如により、薬物発見において限定的に受け入れられている。
本研究では,最新のGNNモデルの解釈可能性を定量的に評価するために,3段階のベンチマークデータセットを構築した。
我々は,最近のXAI手法と異なるGNNアルゴリズムを組み合わせることで,薬物発見のメリット,限界,今後の可能性を明らかにする。
論文 参考訳（メタデータ） (2021-07-01T04:49:29Z) - Interpretable Drug Synergy Prediction with Graph Neural Networks for
Human-AI Collaboration in Healthcare [23.151336811933938]
本研究は,遺伝子と薬物の結合予測における遺伝子と薬物の制御関係を組み込むディープグラフニューラルネットワーク(IDSP)を提案する。
idspは遺伝子と薬物ノードの関係に基づいてエッジの重みを自動的に多層パーセプトロン(mlp)で学習し、インダクティブな方法で情報を集約する。
46種類のコアがんシグナル伝達経路の遺伝子と、NCIアルマナックの薬物併用スクリーニングデータからの薬物併用によるシグナルネットワーク上でIDWSPをテストします。
論文 参考訳（メタデータ） (2021-05-14T22:20:29Z) - Graph Backdoor [53.70971502299977]
GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。
GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。
トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
論文 参考訳（メタデータ） (2020-06-21T19:45:30Z) - Explainable Deep Relational Networks for Predicting Compound-Protein
Affinities and Contacts [80.69440684790925]
Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。
それは最先端技術に対する優れた解釈可能性を示している。
接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
論文 参考訳（メタデータ） (2019-12-29T00:14:07Z)
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。