論文の概要: TransEDRP: Dual Transformer model with Edge Emdedded for Drug Respond
Prediction
- arxiv url: http://arxiv.org/abs/2210.17401v1
- Date: Sun, 23 Oct 2022 11:00:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-06 15:06:31.579898
- Title: TransEDRP: Dual Transformer model with Edge Emdedded for Drug Respond
Prediction
- Title（参考訳）: TransEDRP:薬物応答予測にエッジを組み込んだデュアルトランスモデル
- Authors: Li Kun and Hu Wenbin
- Abstract要約: 薬物応答予測(TransEDRP)のためのエッジを埋め込んだデュアルトランスフォーマー構造を提案する。
薬物分枝では, 分子グラフのエッジの埋め込みとして分子内の化学結合情報を符号化し, グラフトランスフォーマーを用いて分子のグローバルな構造と生化学的情報を抽出した。
細胞株ゲノム学の分野では,多頭部アテンション機構を用いてゲノム配列をグローバルに表現する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: GNN-based methods have achieved excellent results as a mainstream task in
drug response prediction tasks in recent years. Traditional GNN methods use
only the atoms in a drug molecule as nodes to obtain the representation of the
molecular graph through node information passing, whereas the method using the
transformer can only extract information about the nodes. However, the covalent
bonding and chirality of a drug molecule have a great influence on the
pharmacological properties of the molecule, and these information are implied
in the chemical bonds formed by the edges between the atoms. In addition, CNN
methods for modelling cell lines genomics sequences can only perceive local
rather than global information about the sequence. In order to solve the above
problems, we propose the decoupled dual transformer structure with edge
embedded for drug respond prediction (TransEDRP), which is used for the
representation of cell line genomics and drug respectively. For the drug
branch, we encoded the chemical bond information within the molecule as the
embedding of the edge in the molecular graph, extracted the global structural
and biochemical information of the drug molecule using graph transformer. For
the branch of cell lines genomics, we use the multi-headed attention mechanism
to globally represent the genomics sequence. Finally, the drug and genomics
branches are fused to predict IC50 values through the transformer layer and the
fully connected layer, which two branches are different modalities. Extensive
experiments have shown that our method is better than the current mainstream
approach in all evaluation indicators.
- Abstract（参考訳）: 近年,薬物応答予測タスクの主流課題として,GNN法は優れた成果を上げている。
従来のgnn法では、薬物分子中の原子のみをノードとして、ノード情報を介して分子グラフの表現を得るが、トランスフォーマー法ではノードに関する情報のみを抽出することができる。
しかし、薬物分子の共有結合とキラル性は分子の薬理学的性質に大きな影響を与え、これらの情報は原子間の縁によって形成される化学結合に示唆される。
さらに、細胞株ゲノム配列をモデル化するためのCNN法は、その配列に関するグローバルな情報よりも、局所的な情報しか知覚できない。
以上の課題を解決するために, 細胞株ゲノムと薬物の表現に使用される薬剤応答予測 (TransEDRP) にエッジを埋め込んだ疎結合型デュアルトランスフォーマー構造を提案する。
薬物分枝では,分子内の化学結合情報を分子グラフのエッジの埋め込みとしてコードし,グラフトランスフォーマを用いて薬物分子の全体構造および生化学的情報を抽出した。
細胞株ゲノム学の分野では,多頭部アテンション機構を用いてゲノム配列をグローバルに表現する。
最後に、薬物およびゲノム枝を融合させて、トランス層と2つの枝が異なるモダリティである完全連結層を介してIC50値を予測する。
広範な実験により,本手法は,すべての評価指標において,現在の主流アプローチよりも優れていることが示された。
関連論文リスト
- GramSeq-DTA: A grammar-based drug-target affinity prediction approach fusing gene expression information [1.2289361708127877]
薬物や標的の構造情報と化学摂動情報を統合するGramSeq-DTAを提案する。
我々の手法は、広く使われているDTAデータセットで検証された場合、現在の最先端のDTA予測モデルよりも優れている。
論文 参考訳（メタデータ） (2024-11-03T03:17:09Z) - Bi-level Contrastive Learning for Knowledge-Enhanced Molecule
Representations [55.42602325017405]
本稿では,分子の2レベル構造を考慮した新しいGODE法を提案する。
異なるグラフ構造上で2つのグラフニューラルネットワーク(GNN)を事前訓練し、対照的な学習と組み合わせることで、GODEは分子構造を対応する知識グラフサブ構造と融合させる。
11の化学特性タスクを微調整した場合、我々のモデルは既存のベンチマークよりも優れており、分類タスクの平均ROC-AUCアップリフトは13.8%、回帰タスクの平均RMSE/MAEエンハンスメントは35.1%である。
論文 参考訳（メタデータ） (2023-06-02T15:49:45Z) - Atomic and Subgraph-aware Bilateral Aggregation for Molecular
Representation Learning [57.670845619155195]
我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。
ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。
本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
論文 参考訳（メタデータ） (2023-05-22T00:56:00Z) - Graph neural networks for the prediction of molecular structure-property
relationships [59.11160990637615]
グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。
GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。
本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
論文 参考訳（メタデータ） (2022-07-25T11:30:44Z) - 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) - Molecular Graph Generation via Geometric Scattering [7.796917261490019]
グラフニューラルネットワーク(GNN)は、薬物の設計と発見の問題を解決するために広く使われている。
分子グラフ生成における表現第一のアプローチを提案する。
我々のアーキテクチャは、医薬品のデータセットの有意義な表現を学習し、目標指向の薬物合成のためのプラットフォームを提供する。
論文 参考訳（メタデータ） (2021-10-12T18:00:23Z) - Chemical-Reaction-Aware Molecule Representation Learning [88.79052749877334]
本稿では,化学反応を用いて分子表現の学習を支援することを提案する。
本手法は,1) 埋め込み空間を適切に整理し, 2) 分子埋め込みの一般化能力を向上させるために有効であることが証明された。
実験結果から,本手法は様々なダウンストリームタスクにおける最先端性能を実現することが示された。
論文 参考訳（メタデータ） (2021-09-21T00:08:43Z) - Learning Attributed Graph Representations with Communicative Message
Passing Transformer [3.812358821429274]
分子グラフ表現を改善するために,コミュニケーティブメッセージパッシングトランス (CoMPT) ニューラルネットワークを提案する。
分子を完全連結グラフとして扱う従来のトランスフォーマースタイルのGNNとは異なり、グラフ接続帰納バイアスを利用するメッセージ拡散機構を導入する。
論文 参考訳（メタデータ） (2021-07-19T11:58:32Z) - Dual-view Molecule Pre-training [186.07333992384287]
デュアルビュー分子事前学習は、両方のタイプの分子表現の強さを効果的に組み合わせることができる。
DMPは9つの分子特性予測タスクでテストされ、そのうち7つで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2021-06-17T03:58:38Z) - Self-Supervised Graph Transformer on Large-Scale Molecular Data [73.3448373618865]
分子表現学習のための新しいフレームワークGROVERを提案する。
GROVERは、分子の豊富な構造的および意味的な情報を、巨大な未標識分子データから学習することができる。
分子表現学習において、最大のGNNであり、最大のトレーニングデータセットである、1000万個の未標識分子に1億のパラメータを持つGROVERを事前訓練します。
論文 参考訳（メタデータ） (2020-06-18T08:37:04Z)
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。