論文の概要: Machine Learning Study of the Extended Drug-target Interaction Network
informed by Pain Related Voltage-Gated Sodium Channels
- arxiv url: http://arxiv.org/abs/2307.05794v1
- Date: Tue, 11 Jul 2023 20:40:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-13 14:58:11.700427
- Title: Machine Learning Study of the Extended Drug-target Interaction Network
informed by Pain Related Voltage-Gated Sodium Channels
- Title（参考訳）: 痛覚関連電位依存性ナトリウムチャネルによる拡張薬物標的相互作用ネットワークの機械学習による研究
- Authors: Long Chen, Jian Jiang, Bozheng Dou, Hongsong Feng, Jie Liu, Yueying
Zhu, Bengong Zhang, Tianshou Zhou, and Guo-Wei Wei
- Abstract要約: 痛みは重要な世界的な健康問題であり、現在の痛み管理の治療法は、効果、副作用、中毒の可能性を制限している。
本研究では,痛覚関連ナトリウムチャネルに基づくタンパク質-タンパク質相互作用(PPI)ネットワークを構築した。
我々は3つの異なる機械学習アルゴリズムと高度な自然言語処理(NLP)ベースの埋め込み、特に事前学習されたトランスフォーマーとオートエンコーダ表現を組み合わせた。
- 参考スコア（独自算出の注目度）: 8.746692914034016
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pain is a significant global health issue, and the current treatment options
for pain management have limitations in terms of effectiveness, side effects,
and potential for addiction. There is a pressing need for improved pain
treatments and the development of new drugs. Voltage-gated sodium channels,
particularly Nav1.3, Nav1.7, Nav1.8, and Nav1.9, play a crucial role in
neuronal excitability and are predominantly expressed in the peripheral nervous
system. Targeting these channels may provide a means to treat pain while
minimizing central and cardiac adverse effects. In this study, we construct
protein-protein interaction (PPI) networks based on pain-related sodium
channels and develop a corresponding drug-target interaction (DTI) network to
identify potential lead compounds for pain management. To ensure reliable
machine learning predictions, we carefully select 111 inhibitor datasets from a
pool of over 1,000 targets in the PPI network. We employ three distinct machine
learning algorithms combined with advanced natural language processing
(NLP)-based embeddings, specifically pre-trained transformer and autoencoder
representations. Through a systematic screening process, we evaluate the side
effects and repurposing potential of over 150,000 drug candidates targeting
Nav1.7 and Nav1.8 sodium channels. Additionally, we assess the ADMET
(absorption, distribution, metabolism, excretion, and toxicity) properties of
these candidates to identify leads with near-optimal characteristics. Our
strategy provides an innovative platform for the pharmacological development of
pain treatments, offering the potential for improved efficacy and reduced side
effects.
- Abstract（参考訳）: 痛みは重要な世界的な健康問題であり、現在の痛み管理の治療法は、効果、副作用、中毒の可能性を制限している。
痛みの治療の改善や新薬の開発には、強いニーズがある。
電圧調節ナトリウムチャネル、特にnav1.3、nav1.7、nav1.8、nav1.9は神経細胞の興奮性において重要な役割を果たす。
これらのチャネルを標的にすることで、中心的および心的副作用を最小限に抑えながら痛みを治療できる。
本研究では、痛み関連ナトリウムチャネルに基づくタンパク質-タンパク質相互作用(PPI)ネットワークを構築し、痛み管理のための潜在的鉛化合物を特定するための対応する薬物-標的相互作用(DTI)ネットワークを開発する。
信頼性の高い機械学習予測を保証するため、PPIネットワーク内の1000以上のターゲットのプールから111個のインヒビターデータセットを慎重に選択する。
我々は3つの異なる機械学習アルゴリズムと高度な自然言語処理(NLP)ベースの埋め込み、特に事前学習されたトランスフォーマーとオートエンコーダ表現を組み合わせた。
組織的スクリーニングにより,Nav1.7およびNav1.8ナトリウムチャネルを標的とした15万以上の薬物候補の副作用と再資源化の可能性を評価する。
さらに,これらの候補のADMET特性 (吸収, 分布, 代謝, 排ガス, 毒性) を評価し, ほぼ最適特性の鉛を同定した。
我々の戦略は、痛み治療の薬理学的発展のための革新的なプラットフォームを提供し、改善効果と副作用の低減の可能性を提供する。
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) - 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) - 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) - 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) - AI-based Approach for Safety Signals Detection from Social Networks:
Application to the Levothyrox Scandal in 2017 on Doctissimo Forum [1.4502611532302039]
本稿では,患者のレビューから医薬安全信号を検出するためのAIベースのアプローチを提案する。
フランスにおけるLevothyroxの症例に着目し,薬式変更後にメディアから大きな注目を集めた。
本研究は, 言葉とn-grams頻度, 意味的類似性, 副薬物反応の言及, 感情分析など, 患者のレビューから抽出したNLPに基づく指標について検討した。
論文 参考訳（メタデータ） (2022-02-01T10:17:32Z) - DrugOOD: Out-of-Distribution (OOD) Dataset Curator and Benchmark for
AI-aided Drug Discovery -- A Focus on Affinity Prediction Problems with Noise
Annotations [90.27736364704108]
我々は、AI支援薬物発見のための体系的なOODデータセットキュレーターおよびベンチマークであるTarmOODを提案する。
DrugOODには、ベンチマークプロセスを完全に自動化するオープンソースのPythonパッケージが付属している。
我々は、薬物標的結合親和性予測という、AIDDにおける最も重要な問題の1つに焦点を当てる。
論文 参考訳（メタデータ） (2022-01-24T12:32:48Z) - An Interpretable Framework for Drug-Target Interaction with Gated Cross
Attention [4.746451824931381]
本研究では,インタラクションサイトに対して適切な手がかりを提供するための,新しい解釈可能なフレームワークを提案する。
我々は,これらの特徴間の明示的な相互作用を構築することにより,薬物と標的の特徴を相互に関与するゲート・クロス・アテンション・メカニズムを精巧に設計する。
実験の結果,2つのDTIデータセットにおける提案手法の有効性が示された。
論文 参考訳（メタデータ） (2021-09-17T05:53:40Z) - HINT: Hierarchical Interaction Network for Trial Outcome Prediction
Leveraging Web Data [56.53715632642495]
臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。
本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
論文 参考訳（メタデータ） (2021-02-08T15:09:07Z) - Graph Convolutional Networks Reveal Neural Connections Encoding
Prosthetic Sensation [1.4431534196506413]
被験者が人工的な入力を解釈することを学ぶときの刺激パラメータを最適化する機械学習戦略は、デバイスの有効性を向上させる可能性がある。
深層学習を非ユークリッドグラフデータに拡張する最近の進歩は、神経スパイク活動の解釈に新しいアプローチをもたらす。
人工感覚情報の処理に関与するニューロン間の機能的関係を推定するために,グラフ畳み込みネットワーク(GCN)を適用した。
論文 参考訳（メタデータ） (2020-08-23T01:43:46Z)
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。