Fugu-MT 論文翻訳(概要): AMFPMC -- An improved method of detecting multiple types of drug-drug interactions using only known drug-drug interactions

論文の概要: AMFPMC -- An improved method of detecting multiple types of drug-drug interactions using only known drug-drug interactions

arxiv url: http://arxiv.org/abs/2302.03355v1
Date: Tue, 7 Feb 2023 09:57:54 GMT
ステータス: 処理完了
システム内更新日: 2023-02-08 16:51:17.988296
Title: AMFPMC -- An improved method of detecting multiple types of drug-drug interactions using only known drug-drug interactions
Title（参考訳）: AMFPMC -- 既知の薬物・薬物相互作用のみを用いた薬物・薬物相互作用の多種間検出法の改良
Authors: Bar Vered and Guy Shtar and Lior Rokach and Bracha Shapira
Abstract要約: 逆薬の相互作用は、主に医療事故の予防可能な原因である。実験室での薬物相互作用の検出は、薬物が医療行為に使用される前に必要不可欠である。機械学習技術は、薬物と薬物の相互作用を予測する効率的で正確な手段を提供することができる。
参考スコア（独自算出の注目度）: 18.027128141189355
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Adverse drug interactions are largely preventable causes of medical accidents, which frequently result in physician and emergency room encounters. The detection of drug interactions in a lab, prior to a drug's use in medical practice, is essential, however it is costly and time-consuming. Machine learning techniques can provide an efficient and accurate means of predicting possible drug-drug interactions and combat the growing problem of adverse drug interactions. Most existing models for predicting interactions rely on the chemical properties of drugs. While such models can be accurate, the required properties are not always available.
Abstract（参考訳）: 逆薬の相互作用は、主に医療事故の予防可能な原因であり、しばしば医師や救急室で遭遇する。実験室における薬物の相互作用の検出は、薬物が医療に使用される前に必須であるが、費用がかかり、時間がかかる。機械学習技術は、薬物-薬物相互作用の可能性を予測する効率的かつ正確な手段を提供し、有害薬物相互作用の増大問題に対処することができる。相互作用を予測するための既存のモデルのほとんどは、薬物の化学的性質に依存する。そのようなモデルは正確であるが、必要な特性が常に利用可能とは限らない。

関連論文リスト

DrugAgent: Explainable Drug Repurposing Agent with Large Language Model-based Reasoning [10.528489471229946]
本稿では,最先端の機械学習技術と知識統合を用いた医薬品再調達プロセスを強化するためのマルチエージェントフレームワークを提案する。 AIエージェントは、DTIモデルを訓練し、知識グラフエージェントはDGIdbを使用してDTIを系統的に抽出する。これらのエージェントからの出力を統合することで、外部データベースを含む多様なデータソースを効果的に活用し、実行可能な再資源化候補を提案する。
論文参考訳（メタデータ） (2024-08-23T21:24:59Z)
A Cross-Field Fusion Strategy for Drug-Target Interaction Prediction [85.2792480737546]
既存の方法は、DTI予測中にグローバルなタンパク質情報を利用することができない。ローカルおよびグローバルなタンパク質情報を取得するために、クロスフィールド情報融合戦略が採用されている。 SiamDTI予測法は、新規薬物や標的に対する他の最先端(SOTA)法よりも高い精度を達成する。
論文参考訳（メタデータ） (2024-05-23T13:25:20Z)
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)
Herb-Drug Interactions: A Holistic Decision Support System in Healthcare [0.0]
ハーブとドラッグの相互作用を識別するために、原型およびハイブリッドな意思決定支援システムが設計された。異なる機械学習モデルを使用して、これらのケースで使用される典型的なルールエンジンを強化する。
論文参考訳（メタデータ） (2023-06-27T10:30:51Z)
DDI Prediction via Heterogeneous Graph Attention Networks [0.0]
ポリファーマシー(英: Poly Pharmacy)は、複数の薬物を併用すること。薬物と薬物の相互作用 (DDI) は、ある薬物の作用が他の薬物と結合した場合に起こる活動である。薬物と薬物の相互作用を予測するための新しい異種グラフアテンションモデルであるHAN-DDIを提案する。
論文参考訳（メタデータ） (2022-07-12T16:59:06Z)
Multi-View Substructure Learning for Drug-Drug Interaction Prediction [69.34322811160912]
DDI予測のための新しいマルチビュードラッグサブ構造ネットワーク(MSN-DDI)を提案する。 MSN-DDIは、単一の薬物(イントラビュー)と薬物ペア(インタービュー)の両方の表現から化学的サブ構造を同時に学習し、そのサブ構造を利用して、薬物表現を反復的に更新する。総合的な評価では、MSN-DDIは、トランスダクティブ・セッティングの下で比較的改善された19.32%と99%以上の精度を達成することで、既存の薬物に対するDDI予測をほぼ解決したことを示している。
論文参考訳（メタデータ） (2022-03-28T05:44:29Z)
Mitigating cold start problems in drug-target affinity prediction with interaction knowledge transferring [21.744555824342264]
マシンラーニングは、ドラッグターゲット親和性(DTA)問題で一般的に使用される。これまでの研究は、教師なし学習を用いて、薬物や標的表現を学習することで、コールドスタート問題を解こうとしていた。ケミカル・ケミカル・インタラクション(CCI)およびタンパク質・タンパク質相互作用(PPI)タスクから薬物・標的相互作用タスクへの移行学習を応用することを提案した。
論文参考訳（メタデータ） (2022-01-16T09:28:52Z)
SafeDrug: Dual Molecular Graph Encoders for Safe Drug Recommendations [59.590084937600764]
医薬品の分子構造とDDIのモデルを明確に活用するために、SafeDrugというDDI制御可能な薬物推奨モデルを提案する。ベンチマークデータセットでは、SafeDrugはDDIを19.43%削減し、Jaccardの推奨薬物と実際に処方された薬物の組み合わせの2.88%を改善します。
論文参考訳（メタデータ） (2021-05-05T00:20:48Z)
MolDesigner: Interactive Design of Efficacious Drugs with Deep Learning [61.74958429818077]
MolDesignerは、ドラッグ開発者のためのヒューマン・イン・ザ・ループ・ウェブ・ユーザ・インタフェース(UI)である。開発者は、インターフェイスに薬物分子を描画することができる。バックエンドでは、17以上の最先端のDLモデルが、薬物の有効性に不可欠な重要な指標の予測を生成する。
論文参考訳（メタデータ） (2020-10-05T21:25:25Z)
Two Step Joint Model for Drug Drug Interaction Extraction [82.49278654043577]
薬物と薬物の相互作用 (DDI) テキスト分析会議 (TAC) 2018における薬物ラベルからの抽出本稿では,DDI検出のための2段階関節モデルを提案する。シーケンスタギングシステム(CNN-GRUエンコーダデコーダ)は、まず沈殿剤を発見し、その微細なトリガーを探索し、第2ステップで沈殿剤毎のDDIを決定する。
論文参考訳（メタデータ） (2020-08-28T15:30:08Z)
A Minimal-Input Multilayer Perceptron for Predicting Drug-Drug Interactions Without Knowledge of Drug Structure [0.0]
薬物間の相互作用を予測する最小入力型多層パーセプトロンを提案する。薬物と薬物の相互作用と関連する性質を用いて、約65万項目のデータセットでモデルをトレーニングした。モデルが訓練された薬物間の相互作用サンプルの0.968の精度と、不明薬物間の相互作用サンプルの0.942の精度を報告した。
論文参考訳（メタデータ） (2020-05-20T17:15:19Z)

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。