論文の概要: Relation-aware graph structure embedding with co-contrastive learning for drug-drug interaction prediction

• arxiv url: http://arxiv.org/abs/2307.01507v2
• Date: Fri, 18 Aug 2023 08:30:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-21 23:04:52.677847
• Title: Relation-aware graph structure embedding with co-contrastive learning for drug-drug interaction prediction
• Title（参考訳）: 薬物・薬物相互作用予測のための相互比較学習を用いた関係対応グラフ構造
• Authors: Mengying Jiang and Guizhong Liu and Biao Zhao and Yuanchao Su and Weiqiang Jin
• Abstract要約: 相関学習を併用した関係認識グラフ構造に基づく新しいDDI予測手法であるRaGSECoを提案する。 提案したRaGSECoは, マルチリレーショナルDDIグラフとマルチアトリビュートドラッグ・ドラッグ類似性(DDS)グラフの2つの異種薬物グラフを構築した。 薬物対表現(DP)を学習するための新しいコントラスト学習モジュールを提案する。
• 参考スコア（独自算出の注目度）: 4.639653766590366
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Relation-aware graph structure embedding is promising for predicting multi-relational drug-drug interactions (DDIs). Typically, most existing methods begin by constructing a multi-relational DDI graph and then learning relation-aware graph structure embeddings (RaGSEs) of drugs from the DDI graph. Nevertheless, most existing approaches are usually limited in learning RaGSEs of new drugs, leading to serious over-fitting when the test DDIs involve such drugs. To alleviate this issue, we propose a novel DDI prediction method based on relation-aware graph structure embedding with co-contrastive learning, RaGSECo. The proposed RaGSECo constructs two heterogeneous drug graphs: a multi-relational DDI graph and a multi-attribute drug-drug similarity (DDS) graph. The two graphs are used respectively for learning and propagating the RaGSEs of drugs, aiming to ensure all drugs, including new ones, can possess effective RaGSEs. Additionally, we present a novel co-contrastive learning module to learn drug-pairs (DPs) representations. This mechanism learns DP representations from two distinct views (interaction and similarity views) and encourages these views to supervise each other collaboratively to obtain more discriminative DP representations. We evaluate the effectiveness of our RaGSECo on three different tasks using two real datasets. The experimental results demonstrate that RaGSECo outperforms existing state-of-the-art prediction methods.
• Abstract（参考訳）: リレーショナルグラフ構造埋め込みはマルチリレーショナルドラッグ・ドラッグ相互作用(DDI)の予測に有効である。 通常、既存のほとんどの手法はDDIグラフの構築から始まり、DDIグラフから薬物の関連性認識グラフ構造埋め込み(RaGSE)を学習する。 しかしながら、既存のほとんどのアプローチは、新しい薬物のRaGSEの学習に限られており、テストDDIがそのような薬物を含んでいる場合、深刻な過度な適合をもたらす。 この問題を軽減するために,関係認識型グラフ構造を併用した新しいDDI予測手法であるRaGSECoを提案する。 提案したRaGSECoは, マルチリレーショナルDDIグラフとマルチアトリビュートドラッグ・ドラッグ類似性(DDS)グラフの2つの異種薬物グラフを構築した。 2つのグラフはそれぞれ、薬物のRaGSEを学習し、伝播するために使用され、新しい薬物を含む全ての薬物が効果的なRaGSEを保有できるようにすることを目的としている。 さらに,薬物対表現(DP)を学習するための新しいコントラスト学習モジュールを提案する。 このメカニズムは2つの異なる視点(相互作用と類似性)からdp表現を学習し、これらのビューが相互に監督し、より識別的なdp表現を得るように促す。 2つの実データセットを用いて3つのタスクにおけるRaGSECoの有効性を評価する。 実験の結果,RaGSECoは既存の最先端予測手法よりも優れていた。

関連論文リスト

• RGDA-DDI: Residual graph attention network and dual-attention based framework for drug-drug interaction prediction [4.044376666671973]
  薬物・薬物相互作用予測のための残留グラフ注意ネットワーク(Residual-GAT)とデュアルアテンションベースのフレームワークであるRGDA-DDIを提案する。 一連の評価指標は、RGDA-DDIが2つの公開ベンチマークデータセット上でのDDI予測性能を大幅に改善したことを示している。
  論文  参考訳（メタデータ） (2024-08-27T17:13:56Z)
• Disentangled Generative Graph Representation Learning [51.59824683232925]
  本稿では,自己教師型学習フレームワークであるDiGGR(Disentangled Generative Graph Representation Learning)を紹介する。 潜伏要因を学習し、それをグラフマスクモデリングのガイドとして活用することを目的としている。 2つの異なるグラフ学習タスクのための11の公開データセットの実験は、DiGGRが従来よりも一貫して多くの自己教師付きメソッドを上回っていることを示している。
  論文  参考訳（メタデータ） (2024-08-24T05:13:02Z)
• Learning to Describe for Predicting Zero-shot Drug-Drug Interactions [54.172575323610175]
  薬物と薬物の相互作用は同時投与の有効性を損なう可能性がある。 従来のDDI予測の計算手法では、知識不足のため、新しい薬物の相互作用を捉えることができない可能性がある。 言語モデルに基づくDDI予測器と強化学習(RL)に基づく情報セレクタを用いたテキストDDIを提案する。
  論文  参考訳（メタデータ） (2024-03-13T09:42:46Z)
• Hierarchical Multi-Relational Graph Representation Learning for Large-Scale Prediction of Drug-Drug Interactions [4.324622513419533]
  本稿では,薬物と薬物の相互作用を予測するための階層型マルチリレーショナルグラフ表現学習(HMGRL)手法を提案する。 我々は、薬物に関連する豊富な異種データソースを活用して異種グラフを構築し、ノードは薬物を表し、エッジは明確で様々な関連性を示す。 DPのすべての表現ビューを組み合わせることで、DDIを予測するための高レベルDP表現を作成する。
  論文  参考訳（メタデータ） (2024-02-28T07:36:16Z)
• Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
  コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。 詳しくは、グラフの基本構造は一般知識から事前構築される。 各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
  論文  参考訳（メタデータ） (2023-03-18T03:53:43Z)
• 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)
• Distributed representations of graphs for drug pair scoring [4.277733268268646]
  薬物対スコアリングの文脈において,グラフの分散表現をモデルに組み込むことの実用性と有用性について検討する。 本稿では,ドラッグペアスコアリングのための統一フレームワークにおいて,グラフの分散表現を学習し,組み込む手法を提案する。 これらの埋め込みを組み込むことで、薬物対スコアリングタスクのほぼ全てのモデルの下流性能が向上することが実証的に示される。
  論文  参考訳（メタデータ） (2022-09-19T23:35:26Z)
• 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)
• AttentionDDI: Siamese Attention-based Deep Learning method for drug-drug interaction predictions [0.9176056742068811]
  薬物と薬物の相互作用(DDIs)は、2つ以上の薬物の投与によって引き起こされるプロセスを指し、薬物が自分自身によって投与されるときに観察されるものを超える副作用をもたらす。 大量の薬物対が存在するため、すべての組み合わせを実験的にテストし、以前は観測されていなかった副作用を発見することはほとんど不可能である。 本稿では,複数の薬物類似度尺度を統合するddi予測のためのsiamese self-attention multi-modal neural networkを提案する。
  論文  参考訳（メタデータ） (2020-12-24T13:33:07Z)
• 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)

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。