論文の概要: Analysis of Drug repurposing Knowledge graphs for Covid-19

• arxiv url: http://arxiv.org/abs/2212.03911v1
• Date: Wed, 7 Dec 2022 19:14:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 14:47:59.056738
• Title: Analysis of Drug repurposing Knowledge graphs for Covid-19
• Title（参考訳）: コビッド19号用医薬品リサイクル知識グラフの解析
• Authors: Ajay Kumar Gogineni
• Abstract要約: 本研究は、薬物再資源知識グラフ(DRKG)を用いた新型コロナウイルスの候補薬剤のセットを提案する。 DRKGは、大量のオープンソースバイオメディカル知識を用いて構築された生物学的知識グラフである。 ノードと関係埋め込みは知識グラフ埋め込みモデルとニューラルネットワークおよび注意関連モデルを用いて学習される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge graph (KG) is used to represent data in terms of entities and structural relations between the entities. This representation can be used to solve complex problems such as recommendation systems and question answering. In this study, a set of candidate drugs for COVID-19 are proposed by using Drug repurposing knowledge graph (DRKG). DRKG is a biological knowledge graph constructed using a vast amount of open source biomedical knowledge to understand the mechanism of compounds and the related biological functions. Node and relation embeddings are learned using knowledge graph embedding models and neural network and attention related models. Different models are used to get the node embedding by changing the objective of the model. These embeddings are later used to predict if a candidate drug is effective to treat a disease or how likely it is for a drug to bind to a protein associated to a disease which can be modelled as a link prediction task between two nodes. RESCAL performed the best on the test dataset in terms of MR, MRR and Hits@3.
• Abstract（参考訳）: 知識グラフ(KG)は、エンティティとエンティティ間の構造的関係の観点でデータを表現するために用いられる。 この表現は、レコメンデーションシステムや質問応答といった複雑な問題を解決するために用いられる。 本研究では,drkg(drreposing knowledge graph)を用いて,covid-19候補薬のセットを提案する。 DRKGは、化合物のメカニズムと関連する生物学的機能を理解するために、大量のオープンソースバイオメディカル知識を用いて構築された生物学的知識グラフである。 ノードと関係埋め込みは知識グラフ埋め込みモデルとニューラルネットワークおよび注意関連モデルを用いて学習される。 異なるモデルを使用して、モデルの目的を変更してノードを埋め込む。 これらの埋め込みは後に、2つのノード間のリンク予測タスクとしてモデル化できる疾患に関連するタンパク質に、候補薬が病気の治療に有効であるか、あるいは薬物がどの程度結合するかを予測するために使用される。 RESCALは、MR、MRR、Hits@3でテストデータセットでベストを尽くした。

関連論文リスト

• Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
  コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。 詳しくは、グラフの基本構造は一般知識から事前構築される。 各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
  論文  参考訳（メタデータ） (2023-03-18T03:53:43Z)
• 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)
• 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)
• Medical Knowledge Graph QA for Drug-Drug Interaction Prediction based on Multi-hop Machine Reading Comprehension [18.34651382394962]
  本稿では,MedKGQAと呼ばれる医療知識グラフ質問応答モデルを提案する。 クローズドドメイン文献からの機械読解を利用してドラッグ・ドラッグ相互作用を予測し、オープンドメイン文書からドラッグ・タンパク質三重項の知識グラフを構築する。 提案モデルでは,従来のカンガルー・メドホップデータセットの最先端モデルと比較して薬物と薬物の相互作用予測の精度が4.5%向上した。
  論文  参考訳（メタデータ） (2022-12-19T12:24:32Z)
• A Deep Learning Approach to the Prediction of Drug Side-Effects on Molecular Graphs [2.4087148947930634]
  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。
  論文  参考訳（メタデータ） (2022-11-30T10:12:41Z)
• 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)
• Implications of Topological Imbalance for Representation Learning on Biomedical Knowledge Graphs [16.566710222582618]
  知識グラフ埋め込みモデルが構造的不均衡によってどのように影響を受けるかを示す。 グラフトポロジを摂動させて、ランダムで生物学的に無意味な情報によって遺伝子ランクを人工的に変化させる方法を示す。
  論文  参考訳（メタデータ） (2021-12-13T11:20:36Z)
• Scientific Language Models for Biomedical Knowledge Base Completion: An Empirical Study [62.376800537374024]
  我々は,KG の完成に向けた科学的 LM の研究を行い,生物医学的リンク予測を強化するために,その潜在知識を活用できるかどうかを探る。 LMモデルとKG埋め込みモデルを統合し,各入力例をいずれかのモデルに割り当てることを学ぶルータ法を用いて,性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-06-17T17:55:33Z)
• Few-shot link prediction via graph neural networks for Covid-19 drug-repurposing [22.035580011316746]
  本稿では,グラフ構造データ中の情報的関係埋め込みを学習するための帰納モデルを提案する。 提案したモデルは、数ショットの学習タスクにおいて、RGCNと最先端のKGEモデルよりも大幅に優れている。 薬物発見タスクをリンク予測として,創薬知識グラフに含まれる生物学的実体の埋め込みを学習する。
  論文  参考訳（メタデータ） (2020-07-20T16:48:51Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。