論文の概要: Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning

• arxiv url: http://arxiv.org/abs/2301.05931v1
• Date: Sat, 14 Jan 2023 15:07:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-01-18 18:05:46.157052
• Title: Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning
• Title（参考訳）: 大規模事前学習とグラフ構造学習による薬物相乗的組み合わせ予測
• Authors: Zhihang Hu, Qinze Yu, Yucheng Guo, Taifeng Wang, Irwin King, Xin Gao, Le Song, and Yu Li
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 82.93806087715507
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Drug combination therapy is a well-established strategy for disease treatment with better effectiveness and less safety degradation. However, identifying novel drug combinations through wet-lab experiments is resource intensive due to the vast combinatorial search space. Recently, computational approaches, specifically deep learning models have emerged as an efficient way to discover synergistic combinations. While previous methods reported fair performance, their models usually do not take advantage of multi-modal data and they are unable to handle new drugs or cell lines. In this study, we collected data from various datasets covering various drug-related aspects. Then, we take advantage of large-scale pre-training models to generate informative representations and features for drugs, proteins, and diseases. Based on that, a message-passing graph is built on top to propagate information together with graph structure learning flexibility. This is first introduced in the biological networks and enables us to generate pseudo-relations in the graph. Our framework achieves state-of-the-art results in comparison with other deep learning-based methods on synergistic prediction benchmark datasets. We are also capable of inferencing new drug combination data in a test on an independent set released by AstraZeneca, where 10% of improvement over previous methods is observed. In addition, we're robust against unseen drugs and surpass almost 15% AU ROC compared to the second-best model. We believe our framework contributes to both the future wet-lab discovery of novel drugs and the building of promising guidance for precise combination medicine.
• Abstract（参考訳）: 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。 しかしながら、ウェットラボ実験による新しい薬物の組み合わせの同定は、膨大な組合せ探索空間のため、資源集約的である。 近年,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,特にディープラーニングモデルが登場している。 以前の手法では十分な性能が報告されたが、モデルは通常マルチモーダルデータを利用せず、新しい薬物や細胞株を扱えない。 本研究では,薬物関連の諸側面をカバーするさまざまなデータセットからデータを収集した。 次に,大規模事前学習モデルを利用して,薬物,タンパク質,疾患に関する情報表現と特徴を生成する。 それに基づいて、メッセージパッシンググラフが構築され、グラフ構造学習の柔軟性とともに情報を伝播する。 これは最初に生体ネットワークに導入され、グラフ内で擬似関係を生成することができる。 本フレームワークは,相乗的予測ベンチマークデータセットにおける他の深層学習に基づく手法と比較し,最先端の結果を得る。 また、アストラゼネカがリリースしている独立したセットの試験において、従来の方法よりも10%の改善が観察された新しい薬物組み合わせデータを参照することもできる。 さらに、私たちは目に見えない薬物に対して堅牢で、第2のベストモデルと比べて約15%のAU ROCを超えています。 我々の枠組みは、新薬のウェットラブ発見と、正確な組み合わせ医療のための有望なガイダンスの構築に寄与すると考えている。

関連論文リスト

• MKDTI: Predicting drug-target interactions via multiple kernel fusion on graph attention network [37.40418564922425]
  グラフアテンションネットワークの様々な層埋め込みからカーネル情報を抽出することにより、MKDTIと呼ばれるモデルを定式化する。 我々は、Dual Laplacian Regularized Least Squaresフレームワークを使用して、新規なドラッグターゲットエンティティ接続を予測する。
  論文  参考訳（メタデータ） (2024-07-14T02:53:25Z)
• Benchmark on Drug Target Interaction Modeling from a Structure Perspective [48.60648369785105]
  薬物と標的の相互作用の予測は、薬物の発見と設計に不可欠である。 グラフニューラルネットワーク(GNN)やトランスフォーマーに基づく最近の手法は、さまざまなデータセットで例外的なパフォーマンスを示している。 我々は,GNNベースと暗黙的(トランスフォーマーベース)構造学習アルゴリズムを多用することにより,構造の観点からの薬物-標的相互作用モデリングの総合的な調査とベンチマークを行う。
  論文  参考訳（メタデータ） (2024-07-04T16:56:59Z)
• SynerGPT: In-Context Learning for Personalized Drug Synergy Prediction and Drug Design [64.69434941796904]
  本稿では,テキスト内薬物相乗学習のための新しい設定とモデルを提案する。 特定のがん細胞標的の文脈における10～20の薬物相乗関係の「個人化データセット」を作成した。 私たちの目標は、その文脈で追加の薬物シナジー関係を予測することです。
  論文  参考訳（メタデータ） (2023-06-19T17:03:46Z)
• 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)
• 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)
• Graph2MDA: a multi-modal variational graph embedding model for predicting microbe-drug associations [7.149873402253933]
  微生物は抗菌剤の開発に新たな標的となっている。 微生物と薬物の関連性のスクリーニングは、薬物の研究と開発に大きな利益をもたらす。 微生物と薬物の関連性を予測する新しい方法であるGraph2MDAを提案する。
  論文  参考訳（メタデータ） (2021-08-14T07:33:05Z)
• DeepDDS: deep graph neural network with attention mechanism to predict synergistic drug combinations [0.9854322576538699]
  計算スクリーニングは 薬物の組み合わせを優先する重要な方法になっています DeepDDSは16%以上の予測精度で競合手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-07-06T08:25:43Z)
• Predicting Potential Drug Targets Using Tensor Factorisation and Knowledge Graph Embeddings [4.415977307120617]
  我々は、病気の潜在的な薬物標的(遺伝子またはタンパク質)を予測するための新しいテンソル分解モデルを開発した。 薬物発見指向の知識グラフから得られた遺伝子表現を用いてデータを豊かにし,提案手法を適用し,未確認ターゲットと解離ペアの臨床的結果を予測する。
  論文  参考訳（メタデータ） (2021-05-20T16:19:00Z)
• Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug Response [49.86828302591469]
  本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。 我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。 アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
  論文  参考訳（メタデータ） (2020-05-13T20:29:48Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。