論文の概要: Predicting Molecule-Target Interaction by Learning Biomedical Network
and Molecule Representations
- arxiv url: http://arxiv.org/abs/2302.00981v1
- Date: Thu, 2 Feb 2023 10:00:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-03 14:27:46.409498
- Title: Predicting Molecule-Target Interaction by Learning Biomedical Network
and Molecule Representations
- Title（参考訳）: 生体ネットワークと分子表現の学習による分子標的相互作用の予測
- Authors: Jinjiang Guo and Jie Li
- Abstract要約: 本稿では,生物医学的ネットワークトポロジと分子構造・化学情報の両方を表現として学習し,与えられた分子と標的対の潜在的な相互作用を予測する,擬似システマグラフニューラルネットワーク手法 MTINet+ を提案する。
異なる分子標的相互作用タスクの実験では、MTINet+は最先端のベースラインよりも著しく優れていた。
- 参考スコア（独自算出の注目度）: 10.128856077021625
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The study of molecule-target interaction is quite important for drug
discovery in terms of target identification, pathway study, drug-drug
interaction, etc. Most existing methodologies utilize either biomedical network
information or molecule structural features to predict potential interaction
link. However, the biomedical network information based methods usually suffer
from cold start problem, while structure based methods often give limited
performance due to the structure/interaction assumption and data quality. To
address these issues, we propose a pseudo-siamese Graph Neural Network method,
namely MTINet+, which learns both biomedical network topological and molecule
structural/chemical information as representations to predict potential
interaction of given molecule and target pair. In MTINet+, 1-hop subgraphs of
given molecule and target pair are extracted from known interaction of
biomedical network as topological information, meanwhile the molecule
structural and chemical attributes are processed as molecule information.
MTINet+ learns these two types of information as embedding features for
predicting the pair link. In the experiments of different molecule-target
interaction tasks, MTINet+ significantly outperforms over the state-of-the-art
baselines. In addition, in our designed network sparsity experiments , MTINet+
shows strong robustness against different sparse biomedical networks.
- Abstract（参考訳）: 分子-標的相互作用の研究は、標的同定、経路研究、薬物-薬物相互作用などの観点からの薬物発見において極めて重要である。
既存の手法の多くは、生体ネットワーク情報または分子構造情報を使用して、潜在的な相互作用リンクを予測する。
しかし, 生体医学的ネットワーク情報に基づく手法は, 通常はコールドスタート問題に苦しむが, 構造的手法は構造/相互作用の仮定とデータ品質によって性能が制限されることが多い。
これらの問題に対処するために,生物医学的ネットワークトポロジと分子構造・化学情報の両方を表現として学習し,与えられた分子と標的対の潜在的な相互作用を予測する,擬似シムグラフニューラルネットワーク手法 MTINet+ を提案する。
MTINet+では、バイオメディカルネットワークの既知の相互作用から、与えられた分子の1-ホップ部分グラフと標的ペアを抽出し、一方、分子構造と化学的属性を分子情報として処理する。
mtinet+はこれら2種類の情報を、ペアリンクを予測する埋め込み機能として学習する。
異なる分子標的相互作用タスクの実験では、mtinet+は最先端のベースラインを上回る。
さらに, 設計したネットワークスポーシティ実験において, MTINet+は, 異なる疎いバイオメディカルネットワークに対して強い堅牢性を示す。
関連論文リスト
- Active Causal Learning for Decoding Chemical Complexities with Targeted Interventions [0.0]
そこで本研究では,戦略的サンプリングを通じて原因・影響関係を識別する能動的学習手法を提案する。
この方法は、より大きな化学空間の最も多くの情報を符号化できるデータセットの最小サブセットを特定する。
その後、同定された因果関係を利用して体系的な介入を行い、モデルがこれまで遭遇していなかった化学空間における設計タスクを最適化する。
論文 参考訳（メタデータ） (2024-04-05T17:15:48Z) - Leveraging Biomolecule and Natural Language through Multi-Modal
Learning: A Survey [75.47055414002571]
生物分子モデリングと自然言語(BL)の統合は、人工知能、化学、生物学の交差点において有望な学際領域として現れてきた。
生体分子と自然言語の相互モデリングによって達成された最近の進歩について分析する。
論文 参考訳（メタデータ） (2024-03-03T14:59:47Z) - Exploiting Hierarchical Interactions for Protein Surface Learning [52.10066114039307]
本質的には、タンパク質表面のポテンシャル関数部位は、幾何学的特徴と化学的特徴の両方によって決定される。
本稿では,ディープラーニング技術,すなわち階層型化学・幾何学的特徴相互作用ネットワーク(HCGNet)に基づく原則的フレームワークを提案する。
提案手法は,現場予測タスクが2.3%,インタラクションマッチングタスクが3.2%,従来の最先端手法が2.3%向上した。
論文 参考訳（メタデータ） (2024-01-17T14:10:40Z) - Learning to Denoise Biomedical Knowledge Graph for Robust Molecular Interaction Prediction [50.7901190642594]
分子間相互作用予測のためのバイオKDN (Biomedical Knowledge Graph Denoising Network) を提案する。
BioKDNは、ノイズの多いリンクを学習可能な方法で識別することで、局所的な部分グラフの信頼性の高い構造を洗練する。
ターゲットの相互作用に関する関係を円滑にすることで、一貫性とロバストなセマンティクスを維持する。
論文 参考訳（メタデータ） (2023-12-09T07:08:00Z) - ResMGCN: Residual Message Graph Convolution Network for Fast Biomedical
Interactions Discovering [0.0]
本稿では,バイオメディカル相互作用予測のためのResidual Message Graph Convolution Network (ResMGCN)を提案する。
タンパク質・タンパク質・薬物・薬物・標的・遺伝子・疾患の相互作用を含む4つのバイオメディカル相互作用ネットワークデータセットの実験を行った。
論文 参考訳（メタデータ） (2023-11-13T13:16:35Z) - Bi-level Contrastive Learning for Knowledge-Enhanced Molecule
Representations [55.42602325017405]
本稿では,分子の2レベル構造を考慮した新しいGODE法を提案する。
異なるグラフ構造上で2つのグラフニューラルネットワーク(GNN)を事前訓練し、対照的な学習と組み合わせることで、GODEは分子構造を対応する知識グラフサブ構造と融合させる。
11の化学特性タスクを微調整した場合、我々のモデルは既存のベンチマークよりも優れており、分類タスクの平均ROC-AUCアップリフトは13.8%、回帰タスクの平均RMSE/MAEエンハンスメントは35.1%である。
論文 参考訳（メタデータ） (2023-06-02T15:49:45Z) - A Molecular Multimodal Foundation Model Associating Molecule Graphs with
Natural Language [63.60376252491507]
本稿では,分子グラフとその意味的関連テキストデータから事前学習した分子マルチモーダル基礎モデルを提案する。
我々のモデルは、生物学、化学、材料、環境、医学などの分野において、AIを動力とする分野に幅広い影響を与えるだろうと考えています。
論文 参考訳（メタデータ） (2022-09-12T00:56:57Z) - Heterogeneous Graph based Deep Learning for Biomedical Network Link
Prediction [7.628651624423363]
バイオメディカルネットワークリンクを予測するためのグラフペアベースのリンク予測モデル(GPLP)を提案する。
InPでは、既知のネットワーク相互作用行列から抽出された1ホップのサブグラフを学習し、欠落リンクを予測する。
本手法は他のバイオメディカルネットワークにおける潜在的な応用を実証する。
論文 参考訳（メタデータ） (2021-01-28T07:35:29Z) - ATOM3D: Tasks On Molecules in Three Dimensions [91.72138447636769]
近年、深層ニューラルネットワークが注目されている。
本稿では,生物分子のいくつかの重要なクラスにまたがる新しいデータセットと既存のデータセットのコレクションであるATOM3Dを紹介する。
これらのタスクごとに3次元の分子学習ネットワークを開発し、パフォーマンスを一貫して改善します。
論文 参考訳（メタデータ） (2020-12-07T20:18:23Z) - Message Passing Networks for Molecules with Tetrahedral Chirality [8.391459650489123]
四面体キラリティを持つ分子の性質を学習するために、メッセージパッシングニューラルネットワークのための2つのカスタムアグリゲーション関数を開発した。
その結果、ベースラインの総和アグリゲータよりも微妙な改善が見られ、さらなるアーキテクチャ開発の機会が浮かび上がっている。
論文 参考訳（メタデータ） (2020-11-24T03:03:09Z) - Predicting Biomedical Interactions with Higher-Order Graph Convolutional
Networks [2.9488233765621295]
本稿では,生物医学的相互作用予測のための高次グラフ畳み込みネットワーク(HOGCN)を提案する。
タンパク質-タンパク質、薬物-ドラッグ、薬物-ターゲット、遺伝子-放出相互作用を含む4つの相互作用ネットワークの実験は、HOGCNがより正確で校正された予測を達成していることを示している。
論文 参考訳（メタデータ） (2020-10-16T17:16:09Z)
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。