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: 処理完了
- 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
- 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) - SMT-DTA: Improving Drug-Target Affinity Prediction with Semi-supervised
Multi-task Training [139.07129841960491]
ドラッグターゲット親和性(DTA)予測は、薬物発見と医薬品研究に不可欠な課題である。
濡れた実験は費用がかかり時間もかかるため、DTA予測のための教師付きデータは極めて限られている。
本研究では,DTA予測精度を向上させるために,いくつかの単純かつ効果的な戦略を持つフレームワークを提案する。
論文 参考訳(メタデータ) (2022-06-20T14:53:25Z) - 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) - 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) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳(メタデータ) (2020-09-02T02:50:30Z) - Learning-based Computer-aided Prescription Model for Parkinson's
Disease: A Data-driven Perspective [61.70045118068213]
我々は、PD患者の症状と、神経科医が提供した処方薬を収集し、データセットを構築した。
そこで我々は、観察された症状と処方薬との関係を学習し、新しいコンピュータ支援処方薬モデルを構築した。
新来の患者に対しては、処方薬モデルにより、観察された症状に対して適切な処方薬を推奨できる(予測)。
論文 参考訳(メタデータ) (2020-07-31T14:34:35Z) - 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。