論文の概要: Meta-Path-based Probabilistic Soft Logic for Drug-Target Interaction Prediction

• arxiv url: http://arxiv.org/abs/2306.13770v1
• Date: Sun, 25 Jun 2023 02:30:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-27 19:19:59.917311
• Title: Meta-Path-based Probabilistic Soft Logic for Drug-Target Interaction Prediction
• Title（参考訳）: 薬物・標的相互作用予測のためのメタパスに基づく確率的ソフト論理
• Authors: Shengming Zhang and Yizhou Sun
• Abstract要約: 薬物-標的相互作用(DTI)予測は、薬物が標的に束縛されるかどうかを予測することを目的としている。 最近提案された手法のほとんどは、DTI予測に単一のドラッグ・ドラッグ類似性およびターゲット・ターゲット類似性情報を使用する。 本稿では,ネットワークに基づく薬物と薬物の相互作用予測手法を提案する。
• 参考スコア（独自算出の注目度）: 36.08294497336554
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Drug-target interaction (DTI) prediction, which aims at predicting whether a drug will be bounded to a target, have received wide attention recently, with the goal to automate and accelerate the costly process of drug design. Most of the recently proposed methods use single drug-drug similarity and target-target similarity information for DTI prediction, which are unable to take advantage of the abundant information regarding various types of similarities between them. Very recently, some methods are proposed to leverage multi-similarity information, however, they still lack the ability to take into consideration the rich topological information of all sorts of knowledge bases where the drugs and targets reside in. More importantly, the time consumption of these approaches is very high, which prevents the usage of large-scale network information. We thus propose a network-based drug-target interaction prediction approach, which applies probabilistic soft logic (PSL) to meta-paths on a heterogeneous network that contains multiple sources of information, including drug-drug similarities, target-target similarities, drug-target interactions, and other potential information. Our approach is based on the PSL graphical model and uses meta-path counts instead of path instances to reduce the number of rule instances of PSL. We compare our model against five methods, on three open-source datasets. The experimental results show that our approach outperforms all the five baselines in terms of AUPR score and AUC score.
• Abstract（参考訳）: 薬物と標的の相互作用(DTI)予測は、薬物が標的に束縛されるかどうかを予測することを目的としており、近年、医薬品設計のコストのかかるプロセスを自動化し、加速することを目的として、広く注目を集めている。 最近提案された手法の多くは、DTI予測に単一薬剤類似情報とターゲット類似情報を用いており、それら間の様々な類似性に関する豊富な情報を活用できない。 近年,多相性情報を活用するための手法が提案されているが,薬物や標的が属するあらゆる知識基盤の豊かなトポロジー情報を考慮する能力に欠ける。 さらに重要なのは、これらのアプローチの時間消費が非常に高く、大規模ネットワーク情報の使用を妨げていることだ。 そこで本研究では,薬物と薬物の類似性,標的の類似性,薬物と標的の相互作用,その他の潜在的な情報を含む多種ネットワーク上のメタパスに対して,確率的ソフトロジック(PSL)を適用したネットワークベースの薬物と標的の相互作用予測手法を提案する。 我々のアプローチはPSLグラフィカルモデルに基づいており、パスインスタンスの代わりにメタパスカウントを使用してPSLのルールインスタンス数を削減している。 3つのオープンソースデータセットで、我々のモデルを5つのメソッドと比較する。 実験の結果,AUPRスコアとAUCスコアにおいて,本手法は5つのベースラインすべてより優れていた。

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)
• 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)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• 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)
• Multiple Similarity Drug-Target Interaction Prediction with Random Walks and Matrix Factorization [16.41618129467975]
  我々は、異なるレイヤが薬物と標的の異なる類似度メトリクスに対応する、多層ネットワークの視点を捉えている。 複数のビューでキャプチャされたトポロジ情報を完全に活用するために,DTI予測のための最適化フレームワーク MDMF を開発した。 このフレームワークは、すべての超分子層にまたがる高次近接を維持するだけでなく、内部積との相互作用を近似する薬物や標的のベクトル表現を学習する。
  論文  参考訳（メタデータ） (2022-01-24T08:02:05Z)
• HampDTI: a heterogeneous graph automatic meta-path learning method for drug-target interaction prediction [4.499861098235355]
  異種グラフ自動メタパス学習に基づくDTI予測法(HampDTI)を提案する。 HampDTIは、薬物と標的の間の重要なメタパスをHNから自動的に学習し、メタパスグラフを生成する。 ベンチマークデータを用いた実験により,提案したHampDTIは最先端のDTI予測手法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2021-12-16T02:12:03Z)
• Drug-Target Interaction Prediction via an Ensemble of Weighted Nearest Neighbors with Interaction Recovery [5.8683934849211745]
  薬物とターゲットの相互作用は、構造ベースの薬物類似性および配列ベースの標的タンパク質類似性によって予測される。 既存の類似性に基づくほとんどの方法は、トランスダクティブな設定に従う。 現在のDTIデータセットにおける大量の欠落した相互作用は、ほとんどのDTI予測方法を妨げる。 WkNNIR (Weighted k Nearest Neighbor with Interaction Recovery) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-12-22T19:54:18Z)
• DTI-SNNFRA: Drug-Target interaction prediction by shared nearest neighbors and fuzzy-rough approximation [0.0]
  DTI-SNNFRA(DTI-SNNFRA)を提案する。 ROC-AUCの予測スコアは0.95と非常に良好である。
  論文  参考訳（メタデータ） (2020-09-22T19:10:10Z)
• GCN for HIN via Implicit Utilization of Attention and Meta-paths [104.24467864133942]
  不均一情報ネットワーク(HIN)埋め込みは、HINの構造と意味情報を分散表現にマッピングすることを目的としている。 本稿では,注意とメタパスを暗黙的に活用するニューラルネットワーク手法を提案する。 まず、各層で識別集約を行う多層グラフ畳み込みネットワーク(GCN)フレームワークを用いる。 次に,アグリゲーションから分離可能な新しい伝搬操作を導入することにより,効果的な緩和と改善を行う。
  論文  参考訳（メタデータ） (2020-07-06T11:09:40Z)

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。