論文の概要: Comprehensive evaluation of deep and graph learning on drug-drug
interactions prediction
- arxiv url: http://arxiv.org/abs/2306.05257v1
- Date: Thu, 8 Jun 2023 14:54:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-09 13:45:32.260809
- Title: Comprehensive evaluation of deep and graph learning on drug-drug
interactions prediction
- Title(参考訳): 薬物・薬物相互作用予測におけるディープ・グラフ学習の総合評価
- Authors: Xuan Lin, Lichang Dai, Yafang Zhou, Zu-Guo Yu, Wen Zhang, Jian-Yu Shi,
Dong-Sheng Cao, Li Zeng, Haowen Chen, Bosheng Song, Philip S. Yu and
Xiangxiang Zeng
- Abstract要約: 近年の人工知能(AI)や深層学習モデル、グラフ学習モデルは、生体医学的応用において有用性を確立している。
DDI(DDI)は、ある薬物が人体に別の薬物が存在することに対する効果の変化を指す。
高度なAIとディープラーニングを正しく適用するために、開発者とユーザは、データリソースの可用性やエンコーディングなど、さまざまな課題に直面する。
- 参考スコア(独自算出の注目度): 43.5957881547028
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances and achievements of artificial intelligence (AI) as well as
deep and graph learning models have established their usefulness in biomedical
applications, especially in drug-drug interactions (DDIs). DDIs refer to a
change in the effect of one drug to the presence of another drug in the human
body, which plays an essential role in drug discovery and clinical research.
DDIs prediction through traditional clinical trials and experiments is an
expensive and time-consuming process. To correctly apply the advanced AI and
deep learning, the developer and user meet various challenges such as the
availability and encoding of data resources, and the design of computational
methods. This review summarizes chemical structure based, network based, NLP
based and hybrid methods, providing an updated and accessible guide to the
broad researchers and development community with different domain knowledge. We
introduce widely-used molecular representation and describe the theoretical
frameworks of graph neural network models for representing molecular
structures. We present the advantages and disadvantages of deep and graph
learning methods by performing comparative experiments. We discuss the
potential technical challenges and highlight future directions of deep and
graph learning models for accelerating DDIs prediction.
- Abstract(参考訳): 近年の人工知能(AI)と深層学習モデルの進歩と成果は、特に薬物・薬物相互作用(DDI)におけるバイオメディカル応用において有用性を確立している。
DDIは、ある薬物の人体における別の薬物の存在に対する効果の変化を指し、薬物発見と臨床研究において重要な役割を担っている。
従来の臨床試験と実験によるDDIの予測は、高価で時間を要するプロセスである。
高度なAIとディープラーニングを正しく適用するために、開発者とユーザは、データリソースの可用性とエンコーディング、計算方法の設計など、さまざまな課題を満たす。
本稿では、化学構造ベース、ネットワークベース、nlpベース、ハイブリッド手法を概説し、異なるドメイン知識を持つ幅広い研究者と開発コミュニティに対して、更新され、アクセス可能なガイドを提供する。
本稿では,広く用いられている分子表現を導入し,分子構造を表現するためのグラフニューラルネットワークモデルの理論的枠組みを説明する。
比較実験を行うことにより,深層学習法とグラフ学習法の利点と欠点を示す。
本稿では,ddis予測を高速化する深層学習モデルとグラフ学習モデルの今後の方向性について述べる。
関連論文リスト
- 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) - 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) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳(メタデータ) (2023-05-25T16:29:16Z) - Knowledge-augmented Graph Machine Learning for Drug Discovery: A Survey
from Precision to Interpretability [5.31117862338528]
グラフ機械学習(GML)は、グラフ構造化バイオメディカルデータをモデル化する優れた能力で注目されている。
近年の研究では、より正確で解釈可能な薬物発見を実現するために、外部のバイオメディカル知識をGMLパイプラインに統合することを提案した。
論文 参考訳(メタデータ) (2023-02-16T12:38:01Z) - ImDrug: A Benchmark for Deep Imbalanced Learning in AI-aided Drug
Discovery [79.08833067391093]
現実世界の医薬品のデータセットは、しばしば高度に不均衡な分布を示す。
ImDrugはオープンソースのPythonライブラリを備えたベンチマークで、4つの不均衡設定、11のAI対応データセット、54の学習タスク、16のベースラインアルゴリズムで構成されています。
ドラッグ発見パイプラインの幅広い範囲にまたがる問題やソリューションに対して、アクセス可能でカスタマイズ可能なテストベッドを提供する。
論文 参考訳(メタデータ) (2022-09-16T13:35:57Z) - Deep learning for drug repurposing: methods, databases, and applications [54.08583498324774]
新しい治療法のために既存の薬物を再利用することは、実験コストの低減で薬物開発を加速する魅力的な解決策である。
本稿では,薬物再資源化のための深層学習手法とツールの活用に関するガイドラインを紹介する。
論文 参考訳(メタデータ) (2022-02-08T09:42:08Z) - Graph-Based Deep Learning for Medical Diagnosis and Analysis: Past,
Present and Future [36.58189530598098]
医療データを分析するために、機械学習、特にディープラーニングメソッドをどのように活用するかを検討することが重要になっている。
既存のメソッドの大きな制限は、グリッドのようなデータにフォーカスすることです。
グラフニューラルネットワークは、生物学的システムに存在する暗黙の情報を利用することによって、大きな注目を集めている。
論文 参考訳(メタデータ) (2021-05-27T13:32:45Z) - Multi-view Graph Contrastive Representation Learning for Drug-Drug
Interaction Prediction [11.87950055946236]
そこで本研究では,薬物と薬物の相互作用予測のためのマルチビューグラフコントラスト表現学習法であるMIRACLEを提案する。
我々は,MIRACLE学習段階におけるDDI関係と薬物分子グラフを符号化するために,GCNとボンドアウェア注意メッセージパッシングネットワークを使用する。
複数の実データセットの実験により、MIRACLEは最先端のDDI予測モデルより一貫して優れていることが示された。
論文 参考訳(メタデータ) (2020-10-22T13:37:19Z) - Deep Learning and Knowledge-Based Methods for Computer Aided Molecular
Design -- Toward a Unified Approach: State-of-the-Art and Future Directions [0.0]
分子レベルでの操作特性による化合物の最適設計は、しばしば科学的な進歩とプロセスシステムの性能向上の鍵となる。
本稿では,コンピュータ支援分子設計の課題と課題について述べる。
論文 参考訳(メタデータ) (2020-05-18T14:17:51Z) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳(メタデータ) (2020-04-30T20:42:17Z)
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。