論文の概要: Causal Intervention for Measuring Confidence in Drug-Target Interaction
Prediction
- arxiv url: http://arxiv.org/abs/2306.00041v2
- Date: Tue, 14 Nov 2023 13:36:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-15 18:49:31.917369
- Title: Causal Intervention for Measuring Confidence in Drug-Target Interaction
Prediction
- Title(参考訳): 薬物・標的相互作用予測における信頼度測定のための因果介入
- Authors: Wenting Ye, Chen Li, Yang Xie, Wen Zhang, Hong-Yu Zhang, Bowen Wang,
Debo Cheng, Zaiwen Feng
- Abstract要約: 我々は、知識マッピングを核となる技術として、薬物と標的の相互作用の問題に焦点をあてる。
因果介入に基づく信頼度尺度を用いて、三重項スコアを評価し、薬物-標的相互作用予測モデルの精度を向上させる。
- 参考スコア(独自算出の注目度): 17.91458766354762
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Identifying and discovering drug-target interactions(DTIs) are vital steps in
drug discovery and development. They play a crucial role in assisting
scientists in finding new drugs and accelerating the drug development process.
Recently, knowledge graph and knowledge graph embedding (KGE) models have made
rapid advancements and demonstrated impressive performance in drug discovery.
However, such models lack authenticity and accuracy in drug target
identification, leading to an increased misjudgment rate and reduced drug
development efficiency. To address these issues, we focus on the problem of
drug-target interactions, with knowledge mapping as the core technology.
Specifically, a causal intervention-based confidence measure is employed to
assess the triplet score to improve the accuracy of the drug-target interaction
prediction model. Experimental results demonstrate that the developed
confidence measurement method based on causal intervention can significantly
enhance the accuracy of DTI link prediction, particularly for high-precision
models. The predicted results are more valuable in guiding the design and
development of subsequent drug development experiments, thereby significantly
improving the efficiency of drug development.
- Abstract(参考訳): 薬物と標的の相互作用(DTI)の同定と発見は、薬物の発見と開発において重要なステップである。
彼らは、新薬の発見と薬物開発プロセスの促進に科学者を支援する重要な役割を担っている。
近年,知識グラフと知識グラフ埋め込み (KGE) モデルが急速に進歩し,薬物発見における顕著な性能を示した。
しかし、これらのモデルには薬物標的同定の信頼性と精度が欠如しており、誤判定率の増加と薬物開発効率の低下につながっている。
これらの問題に対処するため,我々は知識マッピングを基本技術として,薬物と標的の相互作用の問題に焦点をあてる。
具体的には,三重項スコアの評価に因果的介入に基づく信頼度尺度を用い,薬物と標的の相互作用予測モデルの精度を向上させる。
実験の結果, 因果的介入に基づく信頼度測定手法は, 特に高精度モデルにおいて, dtiリンク予測の精度を著しく向上できることがわかった。
予測結果は、その後の薬物開発実験の設計と開発を導く上でより有用であり、薬物開発効率を著しく向上させる。
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。