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

• Benchmarking Graph Learning for Drug-Drug Interaction Prediction [30.712106722531313]
  薬物・薬物相互作用の予測(DDI)は薬理学と医療において重要な役割を担っている。 近年,薬物と薬物の相互作用を予測するグラフ学習法が提案されている。 グラフ学習におけるDDI予測ベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-10-24T09:35:34Z)
• A Survey of Models for Cognitive Diagnosis: New Developments and Future Directions [66.40362209055023]
  本研究の目的は,認知診断の現在のモデルについて,機械学習を用いた新たな展開に注目した調査を行うことである。 モデル構造,パラメータ推定アルゴリズム,モデル評価方法,適用例を比較して,認知診断モデルの最近の傾向を概観する。
  論文  参考訳（メタデータ） (2024-07-07T18:02:00Z)
• Simplicity within biological complexity [0.0]
  文献を調査し、マルチスケール分子ネットワークデータの埋め込みのための包括的フレームワークの開発について論じる。 ネットワーク埋め込み手法はノードを低次元空間の点にマッピングすることにより、学習空間の近接性はネットワークのトポロジ-関数関係を反映する。 本稿では,モデルから効率的かつスケーラブルなソフトウェア実装に至るまで,マルチオミックネットワークデータのための汎用的な包括的埋め込みフレームワークを開発することを提案する。
  論文  参考訳（メタデータ） (2024-05-15T13:32:45Z)
• Discovering intrinsic multi-compartment pharmacometric models using Physics Informed Neural Networks [0.0]
  我々は、純粋にデータ駆動型ニューラルネットワークモデルであるPKINNを紹介する。 PKINNは、本質的なマルチコンパートメントベースの薬理学構造を効率的に発見し、モデル化する。 得られたモデルは、シンボリック回帰法によって解釈可能であり、説明可能である。
  論文  参考訳（メタデータ） (2024-04-30T19:31:31Z)
• Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
  AIによる薬物発見の大きな課題は、高品質なデータの不足である。 薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。 実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
  論文  参考訳（メタデータ） (2024-04-16T07:42:55Z)
• CADGL: Context-Aware Deep Graph Learning for Predicting Drug-Drug Interactions [5.648318448953635]
  薬物・薬物相互作用(DDIs)は、薬物開発における重要な要素である。 我々は,CADGLという新しいフレームワークを導入することで,文脈認識深層グラフ学習の有効性を活用することで,課題に対処することを目指している。 カスタマイズされた変分グラフオートエンコーダ (VGAE) に基づいて, 重要な構造および物理化学的情報を取得する。 我々は厳格なケーススタディで支援された,臨床的に価値のある新規DDIの予測に長けている。
  論文  参考訳（メタデータ） (2024-03-25T21:37:31Z)
• 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)
• Knowledge-augmented Graph Machine Learning for Drug Discovery: A Survey [6.288056740658763]
  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)

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。