論文の概要: DDoS: A Graph Neural Network based Drug Synergy Prediction Algorithm
- arxiv url: http://arxiv.org/abs/2210.00802v1
- Date: Mon, 3 Oct 2022 10:16:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 18:14:00.411311
- Title: DDoS: A Graph Neural Network based Drug Synergy Prediction Algorithm
- Title(参考訳): DDoS: グラフニューラルネットワークによる薬物相乗予測アルゴリズム
- Authors: Kyriakos Schwarz, Alicia Pliego-Mendieta, Lara Planas-Paz, Chantal
Pauli, Ahmed Allam, Michael Krauthammer
- Abstract要約: 薬物相乗効果予測のためのグラフニューラルネットワーク(GNN)モデルを提案する。
利用可能な最大の薬物組み合わせデータベース(DrugComb)からの情報を用いて、信頼性の高いベンチマークデータセットを構築します。
- 参考スコア(独自算出の注目度): 0.4893345190925177
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Background: Drug synergy occurs when the combined effect of two drugs is
greater than the sum of the individual drugs' effect. While cell line data
measuring the effect of single drugs are readily available, there is relatively
less comparable data on drug synergy given the vast amount of possible drug
combinations. Thus, there is interest to use computational approaches to
predict drug synergy for untested pairs of drugs.
Methods: We introduce a Graph Neural Network (GNN) based model for drug
synergy prediction, which utilizes drug chemical structures and cell line gene
expression data. We use information from the largest drug combination database
available (DrugComb), combining drug synergy scores in order to construct high
confidence benchmark datasets.
Results: Our proposed solution for drug synergy predictions offers a number
of benefits: 1) It is trained on high confidence benchmark dataset. 2) It
utilizes 34 distinct drug synergy datasets to learn on a wide variety of drugs
and cell lines representations. 3) It learns task-specific drug
representations, instead of relying on generalized and pre-computed chemical
drug features. 4) It achieves similar or better prediction performance (AUPR
scores ranging from 0.777 to 0.964) compared to state-of-the-art baseline
models when tested on various benchmark datasets.
Conclusions: We demonstrate that a GNN based model can provide
state-of-the-art drug synergy predictions by learning task-specific
representations of drugs.
- Abstract(参考訳): 背景: 薬物相乗効果は、2つの薬の併用効果が個々の薬の効果の合計よりも大きい場合に起こる。
単剤の効果を測定する細胞線データは容易に得られるが、膨大な量の薬物の組み合わせを考えると、薬物相乗効果に関する比較データは少ない。
したがって、未試験の薬物対に対する薬物相乗効果を予測するために計算手法を使うことに関心がある。
方法: 薬物の化学構造と細胞株の遺伝子発現データを利用した薬物相乗効果予測のためのグラフニューラルネットワーク(GNN)モデルを提案する。
利用可能な最大薬物組み合わせデータベース(DrugComb)から得られる情報を用いて、薬物相乗効果のスコアを組み合わせて高信頼度ベンチマークデータセットを構築する。
結果: 提案する薬物相乗効果予測法には, 様々な利点がある。
1)高信頼度ベンチマークデータセットに基づいてトレーニングを行う。
2)34種類の薬物シナジーデータセットを用いて,様々な薬物や細胞株の表現を学習する。
3) 一般的な化学薬品の特徴に頼らず, タスク特異的な薬物表現を学習する。
4) 様々なベンチマークデータセットでテストした場合、最先端のベースラインモデルと比較して、同様のまたはより良い予測性能(AUPRスコアは0.777から0.964)を達成する。
結論: GNNに基づくモデルにより, 薬物のタスク固有表現を学習することにより, 最先端の薬物相乗効果を予測することができることを示す。
関連論文リスト
- The Graph Convolutional Network with Multi-representation Alignment for
Drug Synergy Prediction [3.4417916979102703]
薬物の組み合わせは、特定の疾患を同時に治療するための2つ以上の薬物の使用を指す。
本研究では,薬物相乗効果を予測するための多表現アライメント(GCNMRA)を用いたグラフ畳み込みネットワークを提案する。
論文 参考訳(メタデータ) (2023-11-27T15:34:14Z) - 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) - CongFu: Conditional Graph Fusion for Drug Synergy Prediction [8.939263684319263]
CongFuは、薬物のシナジーを予測するために設計された条件付きグラフ融合層である。
12のベンチマークデータセット中11の最先端の結果を達成している。
薬物が遺伝子に与える影響を解明するための説明可能性戦略を提案する。
論文 参考訳(メタデータ) (2023-05-23T20:46:17Z) - 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) - Neural Bandits for Data Mining: Searching for Dangerous Polypharmacy [63.135687276599114]
一部の多薬局は、不適切とみなされており、死亡や入院などの健康上の有害な結果に関係している可能性がある。
我々は、クレームデータセットを効率的にマイニングし、薬物の組み合わせと健康結果の関係の予測モデルを構築するためのOptimNeuralTS戦略を提案する。
提案手法では,最大72%のPIPを検出でき,平均精度は99%であり,30000タイムステップで検出できる。
論文 参考訳(メタデータ) (2022-12-10T03:43:23Z) - 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) - SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity
Prediction [127.43571146741984]
薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。
湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。
既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。
SSM-DTAフレームワークについて述べる。
論文 参考訳(メタデータ) (2022-06-20T14:53:25Z) - 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) - 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) - A Node Embedding Framework for Integration of Similarity-based Drug
Combination Prediction [7.4517333921953215]
我々は,合成薬物の組み合わせを予測するために,NEMNのネットワーク埋め込みフレームワークを提案する。
マルチプレックスドラッグ類似性ネットワークに基づいて,異なる側面から有用な情報を統合するための代替手法を提案する。
薬物併用予測では, 外部情報源で検証した新薬を7種類検出した。
論文 参考訳(メタデータ) (2020-02-25T02:24:47Z)
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。