論文の概要: GraphIX: Graph-based In silico XAI(explainable artificial intelligence) for drug repositioning from biopharmaceutical network

• arxiv url: http://arxiv.org/abs/2212.10788v1
• Date: Wed, 21 Dec 2022 06:17:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-22 15:49:41.863268
• Title: GraphIX: Graph-based In silico XAI(explainable artificial intelligence) for drug repositioning from biopharmaceutical network
• Title（参考訳）: GraphIX:In silico XAI(説明可能な人工知能)によるバイオ医薬品ネットワークからの薬物再配置
• Authors: Atsuko Takagi, Mayumi Kamada, Eri Hamatani, Ryosuke Kojima, Yasushi Okuno
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.4174475093445233
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Drug repositioning holds great promise because it can reduce the time and cost of new drug development. While drug repositioning can omit various R&D processes, confirming pharmacological effects on biomolecules is essential for application to new diseases. Biomedical explainability in a drug repositioning model can support appropriate insights in subsequent in-depth studies. However, the validity of the XAI methodology is still under debate, and the effectiveness of XAI in drug repositioning prediction applications remains unclear. In this study, we propose GraphIX, an explainable drug repositioning framework using biological networks, and quantitatively evaluate its explainability. GraphIX first learns the network weights and node features using a graph neural network from known drug indication and knowledge graph that consists of three types of nodes (but not given node type information): disease, drug, and protein. Analysis of the post-learning features showed that node types that were not known to the model beforehand are distinguished through the learning process based on the graph structure. From the learned weights and features, GraphIX then predicts the disease-drug association and calculates the contribution values of the nodes located in the neighborhood of the predicted disease and drug. We hypothesized that the neighboring protein node to which the model gave a high contribution is important in understanding the actual pharmacological effects. Quantitative evaluation of the validity of protein nodes' contribution using a real-world database showed that the high contribution proteins shown by GraphIX are reasonable as a mechanism of drug action. GraphIX is a framework for evidence-based drug discovery that can present to users new disease-drug associations and identify the protein important for understanding its pharmacological effects from a large and complex knowledge base.
• Abstract（参考訳）: 薬物再配置は、新薬開発にかかる時間とコストを削減できるため、非常に有望である。 薬物再配置は様々な研究開発プロセスを省略することができるが、生体分子に対する薬理学的効果を確認することは、新しい疾患への応用に不可欠である。 薬物再配置モデルにおける生体医学的説明性は、その後の詳細な研究において適切な洞察を補助することができる。 しかし, XAI法の有効性はまだ議論の的であり, 薬物再配置予測におけるXAIの有効性はいまだ不明である。 本研究では,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GraphIXを提案し,その説明可能性について定量的に評価する。 GraphIXはまず、既知の薬物の表示と知識グラフから、病気、薬物、タンパク質の3種類のノードで構成されるグラフニューラルネットワークを使用して、ネットワークの重みとノードの特徴を学習する。 学習後の特徴の分析により,事前にモデルに知られていないノードタイプが,グラフ構造に基づく学習プロセスによって区別されることが分かった。 学習した重量と特徴から、GraphIXは疾患と薬物の関連を予測し、予測された疾患と薬物の近傍に位置するノードの寄与値を計算する。 本研究は, モデルが寄与した隣接するタンパク質ノードが, 実際の薬理学的効果を理解する上で重要であると仮定した。 実世界データベースを用いたタンパク質ノードの寄与率の定量的評価により,graphixで示される高い寄与タンパク質は薬物作用のメカニズムとして妥当であることが示された。 graphixはエビデンスに基づく薬物発見のためのフレームワークで、ユーザーに新しい疾患と薬物の関連を提示し、大規模で複雑な知識ベースから薬理学的効果を理解するのに重要なタンパク質を同定する。

関連論文リスト

• 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)
• A Comparative Study of Population-Graph Construction Methods and Graph Neural Networks for Brain Age Regression [48.97251676778599]
  医用画像では、人口グラフが有望な結果を示しており、主に分類作業に向けられている。 人口グラフの抽出は非自明な作業であり、グラフニューラルネットワーク(GNN)の性能に大きな影響を及ぼす可能性がある 本研究では,有意義なグラフ構築の重要性を強調し,異なる集団グラフ構築手法による実験を行う。
  論文  参考訳（メタデータ） (2023-09-26T10:30:45Z)
• 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)
• 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)
• Analysis of Drug repurposing Knowledge graphs for Covid-19 [0.0]
  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。
  論文  参考訳（メタデータ） (2022-12-07T19:14:17Z)
• 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)
• Relational graph convolutional networks for predicting blood-brain barrier penetration of drug molecules [12.041672273431994]
  薬物分子のBBB透過能の評価は、脳薬物開発における重要なステップである。 関連グラフ畳み込みネットワーク(RGCN)を用いて,各薬剤の特徴だけでなく,薬物とタンパク質の関係も扱う。 この性能はすでに有望であり、BBB透過性の予測において、薬物-タンパク質/ドラッグ関係が重要な役割を担っていることを証明した。
  論文  参考訳（メタデータ） (2021-07-04T15:56:02Z)
• 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)

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。