Fugu-MT 論文翻訳(概要): Distributed representations of graphs for drug pair scoring

論文の概要: Distributed representations of graphs for drug pair scoring

arxiv url: http://arxiv.org/abs/2209.09383v1
Date: Mon, 19 Sep 2022 23:35:26 GMT
ステータス: 処理完了
システム内更新日: 2022-09-21 19:29:21.812566
Title: Distributed representations of graphs for drug pair scoring
Title（参考訳）: 薬物対スコアリングのためのグラフの分散表現
Authors: Paul Scherer, Pietro Li\`o, Mateja Jamnik
Abstract要約: 薬物対スコアリングの文脈において,グラフの分散表現をモデルに組み込むことの実用性と有用性について検討する。本稿では,ドラッグペアスコアリングのための統一フレームワークにおいて,グラフの分散表現を学習し,組み込む手法を提案する。これらの埋め込みを組み込むことで、薬物対スコアリングタスクのほぼ全てのモデルの下流性能が向上することが実証的に示される。
参考スコア（独自算出の注目度）: 4.277733268268646
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: In this paper we study the practicality and usefulness of incorporating distributed representations of graphs into models within the context of drug pair scoring. We argue that the real world growth and update cycles of drug pair scoring datasets subvert the limitations of transductive learning associated with distributed representations. Furthermore, we argue that the vocabulary of discrete substructure patterns induced over drug sets is not dramatically large due to the limited set of atom types and constraints on bonding patterns enforced by chemistry. Under this pretext, we explore the effectiveness of distributed representations of the molecular graphs of drugs in drug pair scoring tasks such as drug synergy, polypharmacy, and drug-drug interaction prediction. To achieve this, we present a methodology for learning and incorporating distributed representations of graphs within a unified framework for drug pair scoring. Subsequently, we augment a number of recent and state-of-the-art models to utilise our embeddings. We empirically show that the incorporation of these embeddings improves downstream performance of almost every model across different drug pair scoring tasks, even those the original model was not designed for. We publicly release all of our drug embeddings for the DrugCombDB, DrugComb, DrugbankDDI, and TwoSides datasets.
Abstract（参考訳）: 本稿では,薬物対スコアリングの文脈において,グラフの分散表現をモデルに組み込む実用性と有用性について検討する。薬物ペアスコアリングデータセットの現実世界の成長と更新サイクルは、分散表現に関連するトランスダクティブ学習の限界を覆していると論じる。さらに, 薬物集合によって誘導される離散的なサブ構造パターンの語彙は, 原子の種類や化学によって強制される結合パターンに制約があるため, 劇的に大きくない。本稿では,薬物シナジー,ポリファーマシー,薬物と薬物の相互作用予測といった薬物対スコアリングタスクにおける,薬物の分子グラフの分散表現の有効性について検討する。そこで本研究では,薬物対スコアリングのための統一フレームワークにおいて,グラフの分散表現を学習し,組み込む手法を提案する。その後、埋め込みを活用するために、最新および最新モデルのいくつかを追加します。これらの埋め込みの組み込みは、当初設計されていたモデルでさえ、様々な薬物ペアスコアリングタスクにおいて、ほぼ全てのモデルの下流性能を向上させることを実証的に示す。 DrugCombDB, DrugComb, DrugbankDDI, TwoSidesデータセットのすべての薬物埋め込みを公開しています。

関連論文リスト

GTP-4o: Modality-prompted Heterogeneous Graph Learning for Omni-modal Biomedical Representation [68.63955715643974]
Omnimodal Learning(GTP-4o)のためのモダリティプロンプト不均質グラフ我々は、Omnimodal Learning(GTP-4o)のための革新的モダリティプロンプト不均質グラフを提案する。
論文参考訳（メタデータ） (2024-07-08T01:06:13Z)
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)
Co-modeling the Sequential and Graphical Routes for Peptide Representation Learning [67.66393016797181]
本稿では,表現の相互情報を強化するためのペプチド共モデリング手法RepConを提案する。 RepConは、正のサンプルペア間の表現の一貫性を高め、負のペア間の表現を撃退することを学ぶ。この結果から,コモデリング手法が独立モデルよりも優れていること,コモデリングフレームワーク下での他の手法よりもRepConの方が優れていることが示唆された。
論文参考訳（メタデータ） (2023-10-04T16:58:25Z)
GraphCL-DTA: a graph contrastive learning with molecular semantics for drug-target binding affinity prediction [2.523552067304274]
GraphCL-DTAは、薬物表現を学習する分子グラフのためのグラフコントラスト学習フレームワークである。次に、薬物と標的表現の均一性を調整するために直接使用できる新しい損失関数を設計する。上記のイノベーティブな要素の有効性は、2つの実際のデータセットで検証される。
論文参考訳（メタデータ） (2023-07-18T06:01:37Z)
Relation-aware graph structure embedding with co-contrastive learning for drug-drug interaction prediction [4.639653766590366]
相関学習を併用した関係認識グラフ構造に基づく新しいDDI予測手法であるRaGSECoを提案する。提案したRaGSECoは, マルチリレーショナルDDIグラフとマルチアトリビュートドラッグ・ドラッグ類似性(DDS)グラフの2つの異種薬物グラフを構築した。薬物対表現(DP)を学習するための新しいコントラスト学習モジュールを提案する。
論文参考訳（メタデータ） (2023-07-04T06:41:50Z)
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)
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)
Repurposing Knowledge Graph Embeddings for Triple Representation via Weak Supervision [77.34726150561087]
現在の方法では、事前訓練されたモデルからの実体と述語埋め込みを使わずに、スクラッチから三重埋め込みを学習する。本研究では,知識グラフからトリプルを自動抽出し,事前学習した埋め込みモデルからそれらのペアの類似性を推定する手法を開発した。これらのペアの類似度スコアは、細い三重表現のためにシームズ様のニューラルネットワークに供給される。
論文参考訳（メタデータ） (2022-08-22T14:07:08Z)
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)
Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations [57.15855198512551]
本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
論文参考訳（メタデータ） (2022-02-05T08:21:04Z)
Drug-Drug Interaction Prediction with Wasserstein Adversarial Autoencoder-based Knowledge Graph Embeddings [22.562175708415392]
薬物・薬物相互作用のための知識グラフ埋め込みフレームワークを提案する。本フレームワークでは, 高品質な負のサンプルを生成するために, オートエンコーダを用いる。判別器は、正三重項と負三重項の両方に基づいて薬物と相互作用の埋め込みを学習する。
論文参考訳（メタデータ） (2020-04-15T21:03:29Z)

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。