Fugu-MT 論文翻訳(概要): A clustering and graph deep learning-based framework for COVID-19 drug repurposing

論文の概要: A clustering and graph deep learning-based framework for COVID-19 drug repurposing

arxiv url: http://arxiv.org/abs/2306.13995v1
Date: Sat, 24 Jun 2023 15:00:47 GMT
ステータス: 処理完了
システム内更新日: 2023-06-27 17:41:38.222237
Title: A clustering and graph deep learning-based framework for COVID-19 drug repurposing
Title（参考訳）: クラスター化とグラフ深層学習によるCOVID-19薬物再資源化のためのフレームワーク
Authors: Chaarvi Bansal, Rohitash Chandra, Vinti Agarwal, P. R. Deepa
Abstract要約: 本研究では,異種薬物データに基づく多機能型クラスタリングのためのグラフベースのオートエンコーダを用いた,教師なし機械学習フレームワークを提案する。データセットは438種類の薬物で構成され、そのうち224種は新型コロナウイルスの臨床試験を受けている。当フレームワークは,薬理学的特性,化学的・物理的性質,宿主との相互作用,各種の公開型COVID-19アッセイにおける有効性など,報告された薬物データに依存している。
参考スコア（独自算出の注目度）: 0.3359875577705538
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Drug repurposing (or repositioning) is the process of finding new therapeutic uses for drugs already approved by drug regulatory authorities (e.g., the Food and Drug Administration (FDA) and Therapeutic Goods Administration (TGA)) for other diseases. This involves analyzing the interactions between different biological entities, such as drug targets (genes/proteins and biological pathways) and drug properties, to discover novel drug-target or drug-disease relations. Artificial intelligence methods such as machine learning and deep learning have successfully analyzed complex heterogeneous data in the biomedical domain and have also been used for drug repurposing. This study presents a novel unsupervised machine learning framework that utilizes a graph-based autoencoder for multi-feature type clustering on heterogeneous drug data. The dataset consists of 438 drugs, of which 224 are under clinical trials for COVID-19 (category A). The rest are systematically filtered to ensure the safety and efficacy of the treatment (category B). The framework solely relies on reported drug data, including its pharmacological properties, chemical/physical properties, interaction with the host, and efficacy in different publicly available COVID-19 assays. Our machine-learning framework reveals three clusters of interest and provides recommendations featuring the top 15 drugs for COVID-19 drug repurposing, which were shortlisted based on the predicted clusters that were dominated by category A drugs. The anti-COVID efficacy of the drugs should be verified by experimental studies. Our framework can be extended to support other datasets and drug repurposing studies, given open-source code and data availability.
Abstract（参考訳）: ドラッグ・リパース(英: drug repurposing、または repositioning)は、薬物規制当局(例えば、食品医薬品局 (FDA) や治療用品局 (TGA) によって承認されている薬物の新しい治療法を見つける過程である。これには、薬物標的(遺伝子/タンパク質および生物学的経路)や薬物特性などの異なる生物学的実体間の相互作用を分析し、新規な薬物標的または薬物放出の関係を発見することが含まれる。機械学習やディープラーニングといった人工知能の手法は、生体医学領域における複雑な異種データの解析に成功しており、薬物の再利用にも用いられている。本研究では,異種薬物データに基づく多機能型クラスタリングのためのグラフベースのオートエンコーダを用いた,教師なし機械学習フレームワークを提案する。データセットは438の薬から成り、224の薬がcovid-19(カテゴリーa)の臨床試験中である。残りは、治療の安全性と有効性(カテゴリーB)を確保するために体系的に濾過される。このフレームワークは、その薬理学的性質、化学的・物理的性質、宿主との相互作用、およびさまざまな公開のCOVID-19アッセイにおける有効性など、報告された薬物データにのみ依存している。当社の機械学習フレームワークは、3つの関心の集まりを明らかにし、Aカテゴリーの薬物が支配する予測されたクラスターに基づいて、新型コロナウイルスの薬物再服用のためのトップ15の薬剤を推奨している。この薬剤の抗共生効果は実験的研究によって検証されるべきである。当社のフレームワークは,オープンソースコードとデータ可用性を前提として,他のデータセットや薬物再資源調査をサポートするように拡張することができます。

関連論文リスト

DrugAgent: Explainable Drug Repurposing Agent with Large Language Model-based Reasoning [10.528489471229946]
本稿では,最先端の機械学習技術と知識統合を用いた医薬品再調達プロセスを強化するためのマルチエージェントフレームワークを提案する。 AIエージェントは、DTIモデルを訓練し、知識グラフエージェントはDGIdbを使用してDTIを系統的に抽出する。これらのエージェントからの出力を統合することで、外部データベースを含む多様なデータソースを効果的に活用し、実行可能な再資源化候補を提案する。
論文参考訳（メタデータ） (2024-08-23T21:24:59Z)
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)
ADRNet: A Generalized Collaborative Filtering Framework Combining Clinical and Non-Clinical Data for Adverse Drug Reaction Prediction [49.56476929112382]
逆薬物反応(ADR)予測は、医療と薬物発見において重要な役割を果たす。 ADRNetは、臨床データと非臨床データを組み合わせた一般的な協調フィルタリングフレームワークである。
論文参考訳（メタデータ） (2023-08-03T11:28:12Z)
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)
RECOMED: A Comprehensive Pharmaceutical Recommendation System [8.681590862953623]
Drugs.com と Druglib.com から抽出された患者と薬物の特徴に基づいて医薬品推薦システムが設計された。本研究は, 患者に適切な特定の薬剤を選択するためのアプローチとして, 患者状況と病歴を考察した最初のグループである。
論文参考訳（メタデータ） (2022-12-31T20:04:31Z)
KGML-xDTD: A Knowledge Graph-based Machine Learning Framework for Drug Treatment Prediction and Mechanism Description [11.64859287146094]
KGML-xDTD(知識グラフに基づく機械学習フレームワーク)を提案する。グラフベースの強化学習プロセスにおける中間指導として,知識と公開に基づく情報を活用し,生物学的に意味のある「実証経路」を抽出する。
論文参考訳（メタデータ） (2022-11-30T17:05:22Z)
Knowledge-Driven New Drug Recommendation [88.35607943144261]
既存の薬物と新薬のギャップを埋めるために, 薬物依存型マルチフェノタイプ数発学習機を開発した。 EDGEは外部薬効知識ベースを用いて偽陰性監視信号を除去する。その結果, EDGEは, ROC-AUCスコアよりも7.3%向上していることがわかった。
論文参考訳（メタデータ） (2022-10-11T16:07:52Z)
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)
SafeDrug: Dual Molecular Graph Encoders for Safe Drug Recommendations [59.590084937600764]
医薬品の分子構造とDDIのモデルを明確に活用するために、SafeDrugというDDI制御可能な薬物推奨モデルを提案する。ベンチマークデータセットでは、SafeDrugはDDIを19.43%削減し、Jaccardの推奨薬物と実際に処方された薬物の組み合わせの2.88%を改善します。
論文参考訳（メタデータ） (2021-05-05T00:20:48Z)
When deep learning meets causal inference: a computational framework for drug repurposing from real-world data [12.68717103979673]
既存の薬物精製法は、ヒトに適用した場合に翻訳上の問題が存在する可能性がある。薬物再資源化のための複数の候補の生成と試験を行うための,効率的かつ簡便なフレームワークを提案する。本研究の枠組みは, 冠動脈疾患(CAD)の症例研究において, 55の薬剤候補が各種疾患の予後に及ぼす影響を評価することで実証する。
論文参考訳（メタデータ） (2020-07-16T21:30:56Z)

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。