論文の概要: Transcriptomics-based matching of drugs to diseases with deep learning

• arxiv url: http://arxiv.org/abs/2303.11695v1
• Date: Tue, 21 Mar 2023 09:32:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-22 15:53:58.839602
• Title: Transcriptomics-based matching of drugs to diseases with deep learning
• Title（参考訳）: トランスクリプトミクスに基づく深層学習における薬物と疾患のマッチング
• Authors: Yannis Papanikolaou, Francesco Tuveri, Misa Ogura and Daniel O'Donovan
• Abstract要約: 我々は, 仮説のない, トランスクリプトミクスに基づく病気の薬物のマッチングを行うための深層学習手法を提案する。 提案するニューラルネットワークアーキテクチャは、関連する疾患と薬物差遺伝子の発現プロファイルを入力として、承認された薬物障害の指標に基づいて訓練されている。 我々は,最も広く使用されている転写学ベースのマッチングベースラインであるCMapと特徴方向に対するアプローチを評価した。
• 参考スコア（独自算出の注目度）: 1.590243405031747
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work we present a deep learning approach to conduct hypothesis-free, transcriptomics-based matching of drugs for diseases. Our proposed neural network architecture is trained on approved drug-disease indications, taking as input the relevant disease and drug differential gene expression profiles, and learns to identify novel indications. We assemble an evaluation dataset of disease-drug indications spanning 68 diseases and evaluate in silico our approach against the most widely used transcriptomics-based matching baselines, CMap and the Characteristic Direction. Our results show a more than 200% improvement over both baselines in terms of standard retrieval metrics. We further showcase our model's ability to capture different genes' expressions interactions among drugs and diseases. We provide our trained models, data and code to predict with them at https://github.com/healx/dgem-nn-public.
• Abstract（参考訳）: 本研究は, 仮説のない, トランスクリプトミクスに基づく疾患用薬物のマッチングを行うための深層学習手法を提案する。 提案するニューラル・ネットワーク・アーキテクチャは, 薬剤の症状の入力として, 関連疾患および薬物差分遺伝子の発現プロファイルを学習し, 新規な徴候の同定を学習する。 我々は,68の疾患にまたがる疾患-薬物適応の評価データセットを組み立て,最も広く用いられているトランスクリプトミクスベースのマッチングベースライン,cmapおよび特徴方向に対するシリコアプローチの評価を行った。 その結果,標準検索指標では,両基準値よりも200%以上の改善が見られた。 さらに、薬物と疾患間の異なる遺伝子発現相互作用を捕捉するモデルの能力を示す。 トレーニングされたモデル、データ、コードをhttps://github.com/healx/dgem-nn-public.comで予測します。

関連論文リスト

• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Multiscale Topology in Interactomic Network: From Transcriptome to Antiaddiction Drug Repurposing [0.3683202928838613]
  米国における薬物依存の激化は、革新的な治療戦略の緊急の必要性を浮き彫りにしている。 本研究は,オピオイドおよびコカイン依存症治療の薬物再服用候補を探索するための,革新的で厳格な戦略に着手した。
  論文  参考訳（メタデータ） (2023-12-03T04:01:38Z)
• 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)
• 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)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Drug Repurposing for COVID-19 via Knowledge Graph Completion [6.705100803382272]
  薬物候補を同定するための新しい,統合的で,ニューラルネットワークに基づく文献ベースの発見(LBD)手法を提案する。 提案手法は,SemRepを用いて抽出したセマンティックトリプルに依存する。 5つのSOTA, 神経知識グラフ補完アルゴリズムを用いて, 薬物再服用候補の予測を行った。
  論文  参考訳（メタデータ） (2020-10-19T15:30:51Z)
• 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)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• Modeling Pharmacological Effects with Multi-Relation Unsupervised Graph Embedding [4.999039245939572]
  本稿では,薬物や疾患の潜伏表現を学習するマルチリレーションな教師なしグラフ埋め込みモデルに基づく手法を提案する。 薬物と疾患の表現が得られれば、薬物と疾患の間の新しいつながり(つまり、新しい兆候)の可能性を学習する。 既知の薬物の表示は、潜在的な表示を予測するモデルを学ぶために使用される。
  論文  参考訳（メタデータ） (2020-04-30T14:51:25Z)

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。