論文の概要: Modeling Polypharmacy and Predicting Drug-Drug Interactions using Deep Generative Models on Multimodal Graphs

• arxiv url: http://arxiv.org/abs/2302.08680v1
• Date: Fri, 17 Feb 2023 04:06:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-20 15:59:20.852206
• Title: Modeling Polypharmacy and Predicting Drug-Drug Interactions using Deep Generative Models on Multimodal Graphs
• Title（参考訳）: マルチモーダルグラフの深部生成モデルを用いた多剤作用のモデル化と薬物・薬物相互作用予測
• Authors: Nhat Khang Ngo, Truong Son Hy, Risi Kondor
• Abstract要約: マルチモーダルネットワーク上での潜在ノード表現のモデル化におけるグラフオートエンコーダ(VGAE)の有効性を示す。 提案手法は,マルチモーダルグラフの各ノードタイプに対して柔軟な潜在空間を生成する。 モーガンの指紋は各薬の分子構造を捉え、その前に潜伏した埋め込みをデコードする。
• 参考スコア（独自算出の注目度）: 6.875312133832078
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Latent representations of drugs and their targets produced by contemporary graph autoencoder models have proved useful in predicting many types of node-pair interactions on large networks, including drug-drug, drug-target, and target-target interactions. However, most existing approaches model either the node's latent spaces in which node distributions are rigid or do not effectively capture the interrelations between drugs; these limitations hinder the methods from accurately predicting drug-pair interactions. In this paper, we present the effectiveness of variational graph autoencoders (VGAE) in modeling latent node representations on multimodal networks. Our approach can produce flexible latent spaces for each node type of the multimodal graph; the embeddings are used later for predicting links among node pairs under different edge types. To further enhance the models' performance, we suggest a new method that concatenates Morgan fingerprints, which capture the molecular structures of each drug, with their latent embeddings before preceding them to the decoding stage for link prediction. Our proposed model shows competitive results on three multimodal networks: (1) a multimodal graph consisting of drug and protein nodes, (2) a multimodal graph constructed from a subset of the DrugBank database involving drug nodes under different interaction types, and (3) a multimodal graph consisting of drug and cell line nodes. Our source code is publicly available at https://github.com/HySonLab/drug-interactions.
• Abstract（参考訳）: 現代のグラフオートエンコーダモデルによって生成された薬物とその標的の潜在表現は、ドラッグ・ドラッグ、ドラッグ・ターゲット、ターゲット・ターゲット相互作用など、大規模ネットワーク上の多くの種類のノード・ペア相互作用を予測するのに有用である。 しかし、既存のアプローチの多くは、ノード分布が堅いノードの潜在空間をモデル化するか、薬物間の相互作用を効果的に捉えていないかのいずれかである。 本稿では,マルチモーダルネットワーク上での潜在ノード表現のモデル化における変分グラフオートエンコーダ(VGAE)の有効性を示す。 本手法はマルチモーダルグラフの各ノードタイプに対してフレキシブルな潜在空間を生成することができる。 モデルの性能をさらに高めるために,各薬剤の分子構造を捕捉するmorgan fingerprintsを潜在埋め込みで結合し,リンク予測を行う新しい手法を提案する。 提案モデルでは,(1) 薬物ノードとタンパク質ノードからなるマルチモーダルグラフ,(2) 相互作用の異なる薬物ノードを含むドラッグバンクデータベースのサブセットから構築されたマルチモーダルグラフ,(3) 薬物ノードと細胞ノードからなるマルチモーダルグラフの3つのマルチモーダルネットワーク上での競合結果を示す。 ソースコードはhttps://github.com/hysonlab/drug-interactionsで公開しています。

関連論文リスト

• Hierarchical Multi-Relational Graph Representation Learning for Large-Scale Prediction of Drug-Drug Interactions [4.324622513419533]
  本稿では,薬物と薬物の相互作用を予測するための階層型マルチリレーショナルグラフ表現学習(HMGRL)手法を提案する。 我々は、薬物に関連する豊富な異種データソースを活用して異種グラフを構築し、ノードは薬物を表し、エッジは明確で様々な関連性を示す。 DPのすべての表現ビューを組み合わせることで、DDIを予測するための高レベルDP表現を作成する。
  論文  参考訳（メタデータ） (2024-02-28T07:36:16Z)
• 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)
• MGNNI: Multiscale Graph Neural Networks with Implicit Layers [53.75421430520501]
  暗黙グラフニューラルネットワーク(GNN)は、基礎となるグラフの長距離依存性をキャプチャするために提案されている。 暗黙的GNNの2つの弱点は、長距離依存を捉えるための限られた有効範囲による制約付き表現性と、複数の解像度でグラフ上のマルチスケール情報をキャプチャする能力の欠如である。 グラフ上のマルチスケール構造をモデル化できる暗黙の層(MGNNI)を持つマルチスケールグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-10-15T18:18:55Z)
• Distributed representations of graphs for drug pair scoring [4.277733268268646]
  薬物対スコアリングの文脈において,グラフの分散表現をモデルに組み込むことの実用性と有用性について検討する。 本稿では,ドラッグペアスコアリングのための統一フレームワークにおいて,グラフの分散表現を学習し,組み込む手法を提案する。 これらの埋め込みを組み込むことで、薬物対スコアリングタスクのほぼ全てのモデルの下流性能が向上することが実証的に示される。
  論文  参考訳（メタデータ） (2022-09-19T23:35:26Z)
• Predicting Drug-Drug Interactions using Deep Generative Models on Graphs [6.875312133832078]
  マルチモーダルネットワーク上での潜在ノード表現における変分グラフオートエンコーダの有効性を示す。 提案手法は,マルチモーダルグラフの各ノードタイプに対して柔軟な潜在空間を生成する。 モデルの性能をさらに高めるために,各薬物の分子構造を捉える新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-09-14T14:27:32Z)
• Graph Distance Neural Networks for Predicting Multiple Drug Interactions [4.103701929881021]
  グラフは薬物と薬物の相互作用を表す:ノードは薬物の相互作用を表す;エッジは薬物と薬物の相互作用を表す。 本研究は薬物と薬物の相互作用を予測するグラフ距離ニューラルネットワーク(GDNN)を提案する。 GDNNはogb-ddiddiデータセットでTest Hits@20=0.9037を達成した。
  論文  参考訳（メタデータ） (2022-08-30T04:04:03Z)
• Discovering the Representation Bottleneck of Graph Neural Networks from Multi-order Interactions [51.597480162777074]
  グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。 最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。 科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
  論文  参考訳（メタデータ） (2022-05-15T11:38:14Z)
• 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)
• Reinforced Neighborhood Selection Guided Multi-Relational Graph Neural Networks [68.9026534589483]
  RioGNNはReinforceed, recursive, flexible neighborhood selection guided multi-relational Graph Neural Network architectureである。 RioGNNは、各関係の個々の重要性の認識により、説明性を高めた差別的なノード埋め込みを学ぶことができる。
  論文  参考訳（メタデータ） (2021-04-16T04:30:06Z)
• 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)
• Heterogeneous Graph Neural Networks for Malicious Account Detection [64.0046412312209]
  GEMは、悪意のあるアカウントを検出するための、最初の異種グラフニューラルネットワークである。 我々は、デバイス集約とアクティビティ集約という2つの基本的な弱点に基づいて、異種アカウントデバイスグラフから差別的埋め込みを学習する。 実験により、我々のアプローチは、時間とともに競合する手法と比較して、常に有望な結果が得られることが示された。
  論文  参考訳（メタデータ） (2020-02-27T18:26:44Z)

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。