論文の概要: Spatial-Temporal Networks for Antibiogram Pattern Prediction
- arxiv url: http://arxiv.org/abs/2305.01761v1
- Date: Tue, 2 May 2023 20:01:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-04 16:38:06.593690
- Title: Spatial-Temporal Networks for Antibiogram Pattern Prediction
- Title（参考訳）: アンチバイオグラムパターン予測のための時空間ネットワーク
- Authors: Xingbo Fu, Chen Chen, Yushun Dong, Anil Vullikanti, Eili Klein,
Gregory Madden, Jundong Li
- Abstract要約: 抗生剤は、臨床医が地域抵抗率を理解し、処方薬で適切な抗生物質を選択するのに役立つ。
実際には、抗生物質耐性の顕著な組み合わせは、異なるアンチバイオグラムに現れ、アンチバイオグラムパターンを形成する。
本稿では,今後どのようなパターンが現れるかを予測することを目的とした,新しいアンチバイオグラムパターン予測法を提案する。
- 参考スコア（独自算出の注目度）: 30.552245946539994
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: An antibiogram is a periodic summary of antibiotic resistance results of
organisms from infected patients to selected antimicrobial drugs. Antibiograms
help clinicians to understand regional resistance rates and select appropriate
antibiotics in prescriptions. In practice, significant combinations of
antibiotic resistance may appear in different antibiograms, forming antibiogram
patterns. Such patterns may imply the prevalence of some infectious diseases in
certain regions. Thus it is of crucial importance to monitor antibiotic
resistance trends and track the spread of multi-drug resistant organisms. In
this paper, we propose a novel problem of antibiogram pattern prediction that
aims to predict which patterns will appear in the future. Despite its
importance, tackling this problem encounters a series of challenges and has not
yet been explored in the literature. First of all, antibiogram patterns are not
i.i.d as they may have strong relations with each other due to genomic
similarities of the underlying organisms. Second, antibiogram patterns are
often temporally dependent on the ones that are previously detected.
Furthermore, the spread of antibiotic resistance can be significantly
influenced by nearby or similar regions. To address the above challenges, we
propose a novel Spatial-Temporal Antibiogram Pattern Prediction framework,
STAPP, that can effectively leverage the pattern correlations and exploit the
temporal and spatial information. We conduct extensive experiments on a
real-world dataset with antibiogram reports of patients from 1999 to 2012 for
203 cities in the United States. The experimental results show the superiority
of STAPP against several competitive baselines.
- Abstract（参考訳）: 抗バイオグラム (antibiogram) は、感染した患者から選択された抗菌薬に対する抗生物質耐性の周期的な要約である。
抗生剤は、臨床医が地域抵抗率を理解し、処方薬で適切な抗生物質を選択するのに役立つ。
実際には、抗生物質耐性の顕著な組み合わせは異なる抗バイオグラムに現れ、抗バイオグラムパターンを形成する。
このようなパターンは、特定の地域で感染症が流行することを意味する可能性がある。
したがって、抗生物質耐性の傾向を監視し、多剤耐性生物の拡散を追跡することが重要である。
本稿では,今後どのようなパターンが現れるかを予測することを目的とした,アンチバイオグラムパターン予測の新しい問題を提案する。
その重要性にもかかわらず、この問題に取り組むことは一連の課題に遭遇し、文献ではまだ検討されていない。
第一に、アンチバイオグラムパターンは、基底生物のゲノム的類似性のため、互いに強い関係を持つ可能性があるため、i.d.ではない。
第二に、アンチバイオグラムパターンは、しばしば、以前に検出されたパターンに依存する。
さらに、抗生物質耐性の拡散は、近隣または類似の領域に大きく影響される。
そこで,本稿では,そのパターン相関を効果的に活用し,時間的および空間的情報を活用できる新しい空間-時空間的アンチバイオグラムパターン予測フレームワークstappを提案する。
米国203都市を対象に,1999年から2012年までの患者に対する抗バイオグラム検査を行い,実世界のデータセットについて広範な実験を行った。
実験結果から,STAPPのいくつかの競争基準に対する優位性を示した。
関連論文リスト
- Enhancing Antibiotic Stewardship using a Natural Language Approach for Better Feature Representation [0.0]
抗生物質耐性菌の急速な出現は、世界的な医療危機として認識されている。
本研究は, 抗生物質スチュワードシップ改善のための臨床意思決定支援システムの利用について検討する。
EHRシステムは、データの効率的な合成と利用を複雑にし、多くのデータレベルの課題を提示している。
論文 参考訳（メタデータ） (2024-05-30T18:53:53Z) - Large scale paired antibody language models [40.401345152825314]
IgBert と IgT5 は,これまでに開発された抗体特異的言語モデルの中で最も優れた性能を示した。
これらのモデルは、20億以上のObserved Spaceデータセットを使用して、包括的にトレーニングされている。
この進歩は、治療開発のための抗体設計を強化するために、機械学習、大規模データセット、高性能コンピューティングを活用する上で大きな前進となる。
論文 参考訳（メタデータ） (2024-03-26T17:21:54Z) - T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in
Disease Progression [82.85825388788567]
我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。
T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
論文 参考訳（メタデータ） (2023-02-24T13:30:35Z) - Resistance Maintained in Digital Organisms despite
Guanine/Cytosine-Based Fitness Cost and Extended De-Selection: Implications
to Microbial Antibiotics Resistance [0.0]
本研究の目的は、フィットネスコストが抵抗を維持する上で生じる抵抗の獲得率と損失率を調べることである。
以上の結果より, 抗菌性選択圧の除去による脱選択時のGC含有量に基づくフィットネスコストは, フィットネスコストと比較して抵抗性に類似した傾向を示した。
論文 参考訳（メタデータ） (2023-02-19T11:40:36Z) - Incorporating Pre-training Paradigm for Antibody Sequence-Structure
Co-design [134.65287929316673]
深層学習に基づく計算抗体の設計は、人間の経験を補完する可能性のあるデータから自動的に抗体パターンをマイニングするので、注目を集めている。
計算手法は高品質な抗体構造データに大きく依存しており、非常に限定的である。
幸いなことに、CDRをモデル化し、構造データへの依存を軽減するために有効な抗体の配列データが多数存在する。
論文 参考訳（メタデータ） (2022-10-26T15:31:36Z) - Reprogramming Pretrained Language Models for Antibody Sequence Infilling [72.13295049594585]
抗体の計算設計には、構造的一貫性を維持しながら、新規で多様な配列を生成することが含まれる。
近年のディープラーニングモデルでは優れた結果が得られたが、既知の抗体配列/構造対の数が限られているため、性能が劣化することが多い。
これは、ソース言語でトレーニング済みのモデルを再利用して、異なる言語で、データが少ないタスクに適応するものです。
論文 参考訳（メタデータ） (2022-10-05T20:44:55Z) - Antibody Representation Learning for Drug Discovery [7.291511531280898]
新規なSARS-CoV-2抗体結合データセットと追加ベンチマークデータセットについて報告する。
従来の統計的シーケンスモデル,各データセットの教師付き学習,および抗体特異的事前訓練言語モデルの微調整の3つのクラスを比較した。
実験結果から,特徴表現の自己教師付き事前学習は,従来の手法よりも大幅に改善されていることが示唆された。
論文 参考訳（メタデータ） (2022-10-05T13:48:41Z) - Graph-Based Active Machine Learning Method for Diverse and Novel
Antimicrobial Peptides Generation and Selection [57.131117785001194]
新しいAMP候補の大規模スクリーニングは高価で、時間もかかり、発展途上国では手頃な価格となっている。
本稿では,新しいAMPの設計に必要なウェットラブ実験の数を統計的に最小化する,アクティブ機械学習ベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2022-09-18T14:30:48Z) - Machine learning techniques to identify antibiotic resistance in
patients diagnosed with various skin and soft tissue infections [1.897172519574925]
皮膚および軟部組織感染症(SSTIs)は、最も頻度の高い疾患の1つである。
多様な細菌性病原体の抗生物質に対する耐性は、重篤なSSTIの重大な原因である。
我々は、抗生物質感受性試験データを用いて、抗菌性を予測する機械学習(ML)モデルを開発した。
論文 参考訳（メタデータ） (2022-02-28T01:08:02Z) - Accelerating Antimicrobial Discovery with Controllable Deep Generative
Models and Molecular Dynamics [109.70543391923344]
CLaSS(Controlled Latent attribute Space Smpling)は、分子の属性制御のための効率的な計算手法である。
深層学習分類器と原子論シミュレーションから得られた新しい特徴を併用して, 生成分子を付加的なキー属性としてスクリーニングする。
提案手法は, 強い広帯域能を有する非毒性抗菌性ペプチド(AMP)を設計するためのものである。
論文 参考訳（メタデータ） (2020-05-22T15:57:58Z)
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。