論文の概要: Predicting Drug-Drug Interactions using Deep Generative Models on Graphs
- arxiv url: http://arxiv.org/abs/2209.09941v1
- Date: Wed, 14 Sep 2022 14:27:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 17:22:47.802727
- Title: Predicting Drug-Drug Interactions using Deep Generative Models on Graphs
- Title（参考訳）: グラフ上の深部生成モデルを用いた薬物・薬物相互作用の予測
- Authors: Nhat Khang Ngo and Truong Son Hy and Risi Kondor
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 6.875312133832078
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Latent representations of drugs and their targets produced by contemporary
graph autoencoder-based models have proved useful in predicting many types of
node-pair interactions on large networks, including drug-drug, drug-target, and
target-target interactions. However, most existing approaches model the node's
latent spaces in which node distributions are rigid and disjoint; these
limitations hinder the methods from generating new links among pairs of nodes.
In this paper, we present the effectiveness of variational graph autoencoders
(VGAE) in modeling latent node representations on multimodal networks. Our
approach can produce flexible latent spaces for each node type of the
multimodal graph; the embeddings are used later for predicting links among node
pairs under different edge types. To further enhance the models' performance,
we suggest a new method that concatenates Morgan fingerprints, which capture
the molecular structures of each drug, with their latent embeddings before
preceding them to the decoding stage for link prediction. Our proposed model
shows competitive results on two multimodal networks: (1) a multi-graph
consisting of drug and protein nodes, and (2) a multi-graph consisting of drug
and cell line nodes. Our source code is publicly available at
https://github.com/HySonLab/drug-interactions.
- Abstract（参考訳）: 現代のグラフオートエンコーダモデルによって生成された薬物とその標的の潜在表現は、ドラッグドラッグ、ドラッグターゲット、ターゲット標的相互作用など、大規模ネットワーク上の多くの種類のノードペア相互作用を予測するのに有用である。
しかし、既存のアプローチのほとんどは、ノードの分布が固く非結合であるノードの潜在空間をモデル化しており、これらの制限は、ノード対間の新しいリンクを生成する方法を妨げる。
本稿では,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変分グラフオートエンコーダ(VGAE)の有効性を示す。
本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フレキシブルな潜在空間を生成することができる。
モデルの性能をさらに高めるために,各薬剤の分子構造を捕捉するmorgan fingerprintsを潜在埋め込みで結合し,リンク予測を行う新しい手法を提案する。
提案モデルでは,(1) 薬物ノードとタンパク質ノードからなるマルチグラフ,(2) 薬物ノードと細胞ラインノードからなるマルチグラフの2つのマルチモーダルネットワーク上での競合結果を示す。
ソースコードはhttps://github.com/hysonlab/drug-interactionsで公開しています。
関連論文リスト
- Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。
また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。
本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
論文 参考訳（メタデータ） (2024-10-13T02:22:14Z) - Leveraging Multi-facet Paths for Heterogeneous Graph Representation Learning [2.603958690885184]
MF2Vecは、事前に定義されたメタパスの代わりに、多面的(きめ細かい)パスを使用するモデルである。
この方法はノードとその関係の多様な側面を学習し、均質なネットワークを構築し、分類、リンク予測、クラスタリングのためのノード埋め込みを生成する。
論文 参考訳（メタデータ） (2024-07-30T08:45:32Z) - 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) - MGNNI: Multiscale Graph Neural Networks with Implicit Layers [53.75421430520501]
暗黙グラフニューラルネットワーク(GNN)は、基礎となるグラフの長距離依存性をキャプチャするために提案されている。
暗黙的GNNの2つの弱点は、長距離依存を捉えるための限られた有効範囲による制約付き表現性と、複数の解像度でグラフ上のマルチスケール情報をキャプチャする能力の欠如である。
グラフ上のマルチスケール構造をモデル化できる暗黙の層(MGNNI)を持つマルチスケールグラフニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2022-10-15T18:18:55Z) - Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。
完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。
本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-20T14:41:37Z) - HybridGNN: Learning Hybrid Representation in Multiplex Heterogeneous
Networks [26.549559266395775]
本稿では,ハイブリッドアグリゲーションフローと階層的アテンションを備えたエンドツーエンドグラフニューラルネットワークモデルであるHybridGNNを提案する。
以上の結果から,HybridGNNはいくつかの最先端ベースラインと比較して最高の性能を示す。
論文 参考訳（メタデータ） (2022-08-03T13:39:47Z) - Graph Neural Networks with Feature and Structure Aware Random Walk [7.143879014059894]
典型的な好適なグラフでは、エッジを指向する可能性があり、エッジをそのまま扱うか、あるいは単純に非指向にするかは、GNNモデルの性能に大きな影響を与える。
そこで我々は,グラフの方向性を適応的に学習するモデルを開発し,ノード間の長距離相関を生かした。
論文 参考訳（メタデータ） (2021-11-19T08:54:21Z) - An Interpretable Graph Generative Model with Heterophily [38.59200985962146]
ヘテロフィリーを捉えるのに十分な表現性を持つ最初のエッジ非依存グラフ生成モデルを提案する。
我々の実験は、様々な重要なアプリケーションタスクに対して、我々のモデルの有効性を実証する。
論文 参考訳（メタデータ） (2021-11-04T17:34:39Z) - Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised
Node Classification [59.06717774425588]
本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。
出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。
本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
論文 参考訳（メタデータ） (2021-07-27T19:47:53Z) - Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph
Link Prediction [69.1473775184952]
数発のアウトオブグラフリンク予測という現実的な問題を導入する。
我々は,新しいメタ学習フレームワークによってこの問題に対処する。
我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
論文 参考訳（メタデータ） (2020-06-11T17:42:46Z) - Heterogeneous Graph Neural Networks for Malicious Account Detection [64.0046412312209]
GEMは、悪意のあるアカウントを検出するための、最初の異種グラフニューラルネットワークである。
我々は、デバイス集約とアクティビティ集約という2つの基本的な弱点に基づいて、異種アカウントデバイスグラフから差別的埋め込みを学習する。
実験により、我々のアプローチは、時間とともに競合する手法と比較して、常に有望な結果が得られることが示された。
論文 参考訳（メタデータ） (2020-02-27T18:26:44Z)
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。