論文の概要: Graph Regularized Probabilistic Matrix Factorization for Drug-Drug Interactions Prediction

• arxiv url: http://arxiv.org/abs/2210.10784v1
• Date: Wed, 19 Oct 2022 12:33:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-21 14:06:09.538027
• Title: Graph Regularized Probabilistic Matrix Factorization for Drug-Drug Interactions Prediction
• Title（参考訳）: 薬物・薬物相互作用予測のためのグラフ正規化確率行列因子化
• Authors: Stuti Jain, Emilie Chouzenoux, Kriti Kumar, and Angshul Majumdar
• Abstract要約: 2つ以上の薬物の同時投与は、有害な薬物反応を引き起こすことがある。 薬物と薬物の相互作用(DDI)の同定は、特に薬物開発や古い薬物の精製に必要である。 本稿では,新しいグラフベース正規化戦略を通じて専門家の知識を取り入れたグラフ正規化確率行列因子化(MF)手法を提案する。
• 参考スコア（独自算出の注目度）: 18.659559002642784
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Co-administration of two or more drugs simultaneously can result in adverse drug reactions. Identifying drug-drug interactions (DDIs) is necessary, especially for drug development and for repurposing old drugs. DDI prediction can be viewed as a matrix completion task, for which matrix factorization (MF) appears as a suitable solution. This paper presents a novel Graph Regularized Probabilistic Matrix Factorization (GRPMF) method, which incorporates expert knowledge through a novel graph-based regularization strategy within an MF framework. An efficient and sounded optimization algorithm is proposed to solve the resulting non-convex problem in an alternating fashion. The performance of the proposed method is evaluated through the DrugBank dataset, and comparisons are provided against state-of-the-art techniques. The results demonstrate the superior performance of GRPMF when compared to its counterparts.
• Abstract（参考訳）: 2つ以上の薬物の同時投与は、副作用を引き起こす可能性がある。 薬物と薬物の相互作用(DDI)の同定は、特に薬物開発や古い薬物の精製に必要である。 DDI予測は行列分解(MF)が適切な解として現れる行列完了タスクと見なすことができる。 本稿では,mfフレームワークにおける新たなグラフベース正則化戦略を通じて専門家の知識を取り入れた,グラフ正則化確率行列分解(grpmf)法を提案する。 非凸問題を交互に解くために, 効率的かつ健全な最適化アルゴリズムを提案する。 提案手法の性能は,DrarmBankデータセットを用いて評価し,最新技術との比較を行った。 その結果,GRPMFの性能はGRPMFに比べて優れていた。

関連論文リスト

• Spectral Entry-wise Matrix Estimation for Low-Rank Reinforcement Learning [53.445068584013896]
  低ランク構造を持つ強化学習(RL)における行列推定問題について検討した。 低ランク帯では、回収される行列は期待される腕の報酬を指定し、低ランクマルコフ決定プロセス(MDP)では、例えばMDPの遷移カーネルを特徴付ける。 簡単なスペクトルベースの行列推定手法は,行列の特異部分空間を効率よく復元し,ほぼ最小の入力誤差を示すことを示す。
  論文  参考訳（メタデータ） (2023-10-10T17:06:41Z)
• 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)
• DDoS: A Graph Neural Network based Drug Synergy Prediction Algorithm [0.521420263116111]
  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(textitGNN)モデルを提案する。 従来のモデルとは対照的に、我々のGNNベースのアプローチは、薬物のグラフ構造から直接タスク特異的な薬物表現を学習する。 我々の研究は、タスク固有の薬物表現を学習し、多様なデータセットを活用することが、薬物と薬物の相互作用とシナジーの理解を深めるための有望なアプローチであることを示唆している。
  論文  参考訳（メタデータ） (2022-10-03T10:16:29Z)
• NRBdMF: A recommendation algorithm for predicting drug effects considering directionality [0.0]
  そこで本研究では,NRBdMF (Cordinalized bidirectional matrix factorization) を用いて薬物効果の予測を行う。 NRBdMFを用いた薬物効果の双方向性を検討した最初の試みは、偽陽性を減少させ、高い解釈可能な出力を生み出すことを示した。
  論文  参考訳（メタデータ） (2022-08-05T04:58:14Z)
• Unitary Approximate Message Passing for Matrix Factorization [90.84906091118084]
  行列分解 (MF) を一定の制約で考慮し, 様々な分野の応用を見いだす。 我々は,効率の良いメッセージパッシング実装であるUAMPMFを用いて,MFに対するベイズ的アプローチを開発する。 UAMPMFは、回復精度、ロバスト性、計算複雑性の観点から、最先端のアルゴリズムを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2022-07-31T12:09:32Z)
• 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)
• GDGRU-DTA: Predicting Drug-Target Binding Affinity Based on GNN and Double GRU [0.0]
  本稿では,薬物と標的との結合親和性を予測するためのGDGRU-DTA法を提案する。 本モデルは最先端の深層学習法より優れており,本モデルの有効性と優れた特徴捕捉能力を示す。
  論文  参考訳（メタデータ） (2022-04-25T13:21:37Z)
• Optimizing Area Under the Curve Measures via Matrix Factorization for Drug-Target Interaction Prediction [7.385579678137434]
  本稿では,高精度リコール曲線(AUPR)と受信動作特性曲線(AUC)の領域を最適化する2つの行列分解法を提案する。 4つの最新のベンチマークデータセットに対する実験結果は、最適化された評価基準の点から提案手法の優位性を示している。
  論文  参考訳（メタデータ） (2021-05-01T14:48:32Z)
• Adversarially-Trained Nonnegative Matrix Factorization [77.34726150561087]
  非負行列ファクタリゼーションの逆学習版を検討する。 我々の定式化では、攻撃者は与えられたデータ行列に有界ノルムの任意の行列を追加する。 辞書と係数行列を最適化するために, 逆学習に触発された効率的なアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2021-04-10T13:13:17Z)
• Positive Semidefinite Matrix Factorization: A Connection with Phase Retrieval and Affine Rank Minimization [71.57324258813674]
  位相探索(PR)とアフィンランク最小化(ARM)アルゴリズムに基づいてPSDMFアルゴリズムを設計可能であることを示す。 このアイデアに触発され、反復的ハードしきい値(IHT)に基づくPSDMFアルゴリズムの新たなファミリーを導入する。
  論文  参考訳（メタデータ） (2020-07-24T06:10:19Z)
• 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。