論文の概要: Research And Implementation Of Drug Target Interaction Confidence
Measurement Method Based On Causal Intervention
- arxiv url: http://arxiv.org/abs/2306.00041v1
- Date: Wed, 31 May 2023 13:13:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-02 20:27:44.471800
- Title: Research And Implementation Of Drug Target Interaction Confidence
Measurement Method Based On Causal Intervention
- Title(参考訳): 因果的介入に基づく薬物標的相互作用信頼度測定法の研究と実装
- Authors: Wenting Ye, Bowen Wang, Yang Xie, Debo Cheng, Zaiwen Feng
- Abstract要約: 本研究は, 知識マッピングを基本技術とする薬物標的リンク予測の問題に焦点をあて, 因果的介入に基づく信頼度測定手法を採用して三重項スコアを測定した。
その結果、特に高精度モデルにおいて、因果介入に基づく信頼度測定法は、DTIリンク予測の精度を効果的に向上させることができることがわかった。
- 参考スコア(独自算出の注目度): 3.3698752074010896
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The identification and discovery of drug-target Interaction (DTI) is an
important step in the field of Drug research and development, which can help
scientists discover new drugs and accelerate the development process.
KnowledgeGraph and the related knowledge graph Embedding (KGE) model develop
rapidly and show good performance in the field of drug discovery in recent
years. In the task of drug target identification, the lack of authenticity and
accuracy of the model will lead to the increase of misjudgment rate and the low
efficiency of drug development. To solve the above problems, this study focused
on the problem of drug target link prediction with knowledge mapping as the
core technology, and adopted the confidence measurement method based on causal
intervention to measure the triplet score, so as to improve the accuracy of
drug target interaction prediction model. By comparing with the traditional
Softmax and Sigmod confidence measurement methods on different KGE models, the
results show that the confidence measurement method based on causal
intervention can effectively improve the accuracy of DTI link prediction,
especially for high-precision models. The predicted results are more conducive
to guiding the design and development of followup experiments of drug
development, so as to improve the efficiency of drug development.
- Abstract(参考訳): 薬物標的相互作用(DTI)の同定と発見は、科学者が新しい薬物を発見し、開発プロセスを加速するのに役立つ薬物研究と開発分野における重要なステップである。
知識グラフと関連する知識グラフ埋め込み(KGE)モデルは, 近年, 薬物発見分野において急速に発展し, 良好な性能を示した。
薬物標的同定の課題では、モデルの信頼性と正確性の欠如は、誤った判断率の増加と薬物開発効率の低下につながる。
以上の課題を解決するため,本研究では,知識マッピングによる薬物標的リンク予測の課題に焦点をあて,因果的介入に基づく信頼度測定手法を採用して,薬物標的相互作用予測モデルの精度を向上させることを目的とした。
従来のKGEモデルとSigmod信頼度測定法を比較して,因果介入に基づく信頼度測定法は,特に高精度モデルにおいて,DTIリンク予測の精度を効果的に向上させることができることを示した。
予測された結果は、薬物開発の効率を改善するために、薬物開発のフォローアップ実験の設計と開発を導くのにもっと役立ちます。
関連論文リスト
- 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) - drGAT: Attention-Guided Gene Assessment of Drug Response Utilizing a Drug-Cell-Gene Heterogeneous Network [9.637695046701493]
drGATは、薬物に対する感受性を予測するグラフ深層学習モデルである。
drGATは既存のモデルよりも優れた性能を示し、精度は78%、F1スコアは76%、DNA損傷物質は269である。
本手法は薬剤感受性を正確に予測するために有用であり,がん患者の治療に関するバイオマーカーの同定に有用である。
論文 参考訳(メタデータ) (2024-05-14T22:16:52Z) - DTIAM: A unified framework for predicting drug-target interactions,
binding affinities and activation/inhibition mechanisms [9.671391525450716]
薬物と標的間の相互作用, 結合親和性, 活性化・抑制機構の予測を目的とした統合フレームワークDTIAMを導入する。
DTIAMは、自己指導型事前学習を通じて大量のラベルなしデータから薬物および標的表現を学習する。
すべてのタスク、特にコールドスタートシナリオにおいて、最先端の他のメソッドよりも大幅にパフォーマンスが向上する。
論文 参考訳(メタデータ) (2023-12-23T13:27:41Z) - 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) - 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) - PGraphDTA: Improving Drug Target Interaction Prediction using Protein
Language Models and Contact Maps [4.590060921188914]
薬物発見の鍵となる側面は、新規な薬物標的相互作用(DT)の同定である。
タンパク質-リガンド相互作用は結合親和性として知られる結合強度の連続性を示す。
性能向上のための新しい改良を提案する。
論文 参考訳(メタデータ) (2023-10-06T05:00:25Z) - SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity
Prediction [127.43571146741984]
薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。
湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。
既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。
SSM-DTAフレームワークについて述べる。
論文 参考訳(メタデータ) (2022-06-20T14:53:25Z) - 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) - An Interpretable Framework for Drug-Target Interaction with Gated Cross
Attention [4.746451824931381]
本研究では,インタラクションサイトに対して適切な手がかりを提供するための,新しい解釈可能なフレームワークを提案する。
我々は,これらの特徴間の明示的な相互作用を構築することにより,薬物と標的の特徴を相互に関与するゲート・クロス・アテンション・メカニズムを精巧に設計する。
実験の結果,2つのDTIデータセットにおける提案手法の有効性が示された。
論文 参考訳(メタデータ) (2021-09-17T05:53:40Z) - 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)
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。