論文の概要: A Deep Learning Approach to the Prediction of Drug Side-Effects on Molecular Graphs

• arxiv url: http://arxiv.org/abs/2211.16871v1
• Date: Wed, 30 Nov 2022 10:12:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 15:28:29.091120
• Title: A Deep Learning Approach to the Prediction of Drug Side-Effects on Molecular Graphs
• Title（参考訳）: 分子グラフにおける薬物副作用予測への深層学習アプローチ
• Authors: Pietro Bongini, Elisa Messori, Niccol\`o Pancino, Monica Bianchini
• Abstract要約: グラフニューラルネットワークを用いて薬物副作用を予測する手法を開発した。 私たちは、自由にアクセス可能で、確立されたデータソースからデータセットを構築します。 その結果,本手法は,多くのパラメータや指標の下で,分類能力の向上を図っている。
• 参考スコア（独自算出の注目度）: 2.4087148947930634
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Predicting drug side-effects before they occur is a key task in keeping the number of drug-related hospitalizations low and to improve drug discovery processes. Automatic predictors of side-effects generally are not able to process the structure of the drug, resulting in a loss of information. Graph neural networks have seen great success in recent years, thanks to their ability of exploiting the information conveyed by the graph structure and labels. These models have been used in a wide variety of biological applications, among which the prediction of drug side-effects on a large knowledge graph. Exploiting the molecular graph encoding the structure of the drug represents a novel approach, in which the problem is formulated as a multi-class multi-label graph-focused classification. We developed a methodology to carry out this task, using recurrent Graph Neural Networks, and building a dataset from freely accessible and well established data sources. The results show that our method has an improved classification capability, under many parameters and metrics, with respect to previously available predictors.
• Abstract（参考訳）: 薬物関連入院の頻度を低く保ち、薬物発見プロセスを改善する上で、薬物副作用の予測は重要な課題である。 副作用の自動予測装置は通常、薬物の構造を処理できないため、情報が失われる。 グラフニューラルネットワークは、グラフ構造とラベルによって伝達される情報を活用する能力のおかげで、近年大きな成功を収めている。 これらのモデルは様々な生物学的応用に用いられており、その中に大きな知識グラフ上の薬物副作用の予測がある。 薬物の構造をコードする分子グラフのエクスプロイトは、この問題を多クラス多ラベルグラフ中心の分類として定式化する新しいアプローチである。 我々は,リカレントグラフニューラルネットワークを用いて,自由にアクセス可能かつ確立されたデータソースからデータセットを構築する手法を開発した。 以上の結果から,従来の予測器と比較して,多くのパラメータと指標で分類能力が向上した。

関連論文リスト

• 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)
• 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)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• GraphIX: Graph-based In silico XAI(explainable artificial intelligence) for drug repositioning from biopharmaceutical network [1.4174475093445233]
  GraphIXは、生物学的ネットワークを用いた説明可能な薬物再配置フレームワークである。 新規の病原体関連因子を提示し、その薬理学的効果を理解する上で重要なタンパク質を同定することができる。
  論文  参考訳（メタデータ） (2022-12-21T06:17:45Z)
• Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling Model [64.29487107585665]
  脳機能ネットワーク上のグラフ表現学習技術は、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を容易にする。 本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。 また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
  論文  参考訳（メタデータ） (2022-07-14T20:03:52Z)
• Graph-in-Graph (GiG): Learning interpretable latent graphs in non-Euclidean domain for biological and healthcare applications [52.65389473899139]
  グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。 近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。 タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
  論文  参考訳（メタデータ） (2022-04-01T10:01:37Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Weakly-supervised Graph Meta-learning for Few-shot Node Classification [53.36828125138149]
  新しいグラフメタ学習フレームワーク - Graph Hallucination Networks (Meta-GHN) を提案する。 新たなロバストネス強化エピソードトレーニングに基づいて、Meta-GHNは、弱いラベル付きデータからクリーンノード表現を幻覚させるメタ学習を行う。 大規模な実験は、既存のグラフメタ学習研究よりもMeta-GHNの方が優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-12T22:22:10Z)
• A Review of Biomedical Datasets Relating to Drug Discovery: A Knowledge Graph Perspective [4.746544835197422]
  薬物発見分野に新しい技術を適用することに興味を持つ機械学習や知識グラフの実践者を支援することを目的としている。 様々な創薬中心の知識グラフの構築に適した情報を含む公開のプライマリデータソースを詳細に説明します。
  論文  参考訳（メタデータ） (2021-02-19T17:49:38Z)
• Modeling Pharmacological Effects with Multi-Relation Unsupervised Graph Embedding [4.999039245939572]
  本稿では,薬物や疾患の潜伏表現を学習するマルチリレーションな教師なしグラフ埋め込みモデルに基づく手法を提案する。 薬物と疾患の表現が得られれば、薬物と疾患の間の新しいつながり(つまり、新しい兆候)の可能性を学習する。 既知の薬物の表示は、潜在的な表示を予測するモデルを学ぶために使用される。
  論文  参考訳（メタデータ） (2020-04-30T14:51:25Z)

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。