論文の概要: Drug Interaction Vectors Neural Network: DrIVeNN

• arxiv url: http://arxiv.org/abs/2308.13891v1
• Date: Sat, 26 Aug 2023 14:24:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-29 18:15:51.560478
• Title: Drug Interaction Vectors Neural Network: DrIVeNN
• Title（参考訳）: 薬物相互作用ベクトルニューラルネットワーク:DrIVeNN
• Authors: Natalie Wang, Casey Overby Taylor
• Abstract要約: ポリファーマシー(英: Poly Pharmacy)とは、複数の薬物を同時に併用して単一の疾患を治療することである。 ポリファーマシーに関連する多くの重篤なADEは、薬物の使用後にのみ知られるようになる。 臨床試験において、あらゆる可能な薬物の組み合わせをテストすることは不可能である。
• 参考スコア（独自算出の注目度）: 0.7624669864625037
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Polypharmacy, the concurrent use of multiple drugs to treat a single condition, is common in patients managing multiple or complex conditions. However, as more drugs are added to the treatment plan, the risk of adverse drug events (ADEs) rises rapidly. Many serious ADEs associated with polypharmacy only become known after the drugs are in use. It is impractical to test every possible drug combination during clinical trials. This issue is particularly prevalent among older adults with cardiovascular disease (CVD) where polypharmacy and ADEs are commonly observed. In this research, our primary objective was to identify key drug features to build and evaluate a model for modeling polypharmacy ADEs. Our secondary objective was to assess our model on a domain-specific case study. We developed a two-layer neural network that incorporated drug features such as molecular structure, drug-protein interactions, and mono drug side effects (DrIVeNN). We assessed DrIVeNN using publicly available side effect databases and determined Principal Component Analysis (PCA) with a variance threshold of 0.95 as the most effective feature selection method. DrIVeNN performed moderately better than state-of-the-art models like RESCAL, DEDICOM, DeepWalk, Decagon, DeepDDI, KGDDI, and KGNN in terms of AUROC for the drug-drug interaction prediction task. We also conducted a domain-specific case study centered on the treatment of cardiovascular disease (CVD). When the best performing model architecture was applied to the CVD treatment cohort, there was a significant increase in performance from the general model. We observed an average AUROC for CVD drug pair prediction increasing from 0.826 (general model) to 0.975 (CVD specific model). Our findings indicate the strong potential of domain-specific models for improving the accuracy of drug-drug interaction predictions.
• Abstract（参考訳）: 多発性薬局 (poly Pharmacy) は、複数の疾患または複雑な疾患を管理する患者に一般的である。 しかし、治療計画により多くの薬が加えられるにつれて、副作用(ades)のリスクが急速に高まる。 ポリファーマシーに関連する多くの重篤なADEは、薬物の使用後にのみ知られるようになる。 臨床試験中に可能なすべての薬物の組み合わせをテストするのは非現実的です。 特に高齢者の心血管疾患(CVD)では多剤療法やADEが一般的である。 本研究の主な目的は,多剤乱用モデルの構築と評価を行うための重要な薬剤の特徴を明らかにすることである。 我々の二次目的は、ドメイン固有のケーススタディに基づいてモデルを評価することである。 分子構造,薬物-タンパク質相互作用,モノドラッグ副作用などの薬物特性を組み込んだ2層ニューラルネットワーク(DrIVeNN)を開発した。 提案手法は,DrIVeNNを一般用サイドエフェクトデータベースを用いて評価し,最も有効な特徴選択法として,分散閾値0.95で主成分分析(PCA)を決定した。 DrIVeNNは、薬物と薬物の相互作用予測タスクのAUROCの観点から、RESCAL、DEDICOM、DeepWalk、Decagon、DeepDDI、KGDDI、KGNNといった最先端モデルよりも適度にパフォーマンスが向上した。 また,心血管疾患(CVD)の治療を中心に,ドメイン特異的な症例スタディも行った。 CVD処理コホートに最高の性能モデルアーキテクチャを適用した場合,一般モデルによる性能向上は顕著であった。 CVD 薬物対予測における平均 AUROC は 0.826 (一般モデル) から 0.975 (CVD 特異的モデル) に増加した。 薬物と薬物の相互作用予測の精度を向上させるためのドメイン固有モデルの有用性が示唆された。

関連論文リスト

• drGAT: Attention-Guided Gene Assessment of Drug Response Utilizing a Drug-Cell-Gene Heterogeneous Network [9.637695046701493]
  drGATは、薬物に対する感受性を予測するグラフ深層学習モデルである。 drGATは既存のモデルよりも優れた性能を示し、精度は78%、F1スコアは76%、DNA損傷物質は269である。 本手法は薬剤感受性を正確に予測するために有用であり,がん患者の治療に関するバイオマーカーの同定に有用である。
  論文  参考訳（メタデータ） (2024-05-14T22:16:52Z)
• CT-ADE: An Evaluation Benchmark for Adverse Drug Event Prediction from Clinical Trial Results [0.10051474951635876]
  副作用薬物イベント(ADE)は臨床研究に大きな影響を与え、多くの臨床試験失敗を引き起こした。 この取り組みを支援するために,単薬理治療におけるADEのマルチラベル予測モデルであるCT-ADEを導入する。 CT-ADEは、臨床試験から抽出された168,984種類の薬物とADEのペアを含む2,497種類のユニークな薬物のデータを統合する。
  論文  参考訳（メタデータ） (2024-04-19T12:04:32Z)
• Enhancing Acute Kidney Injury Prediction through Integration of Drug Features in Intensive Care Units [0.0]
  急性腎障害(AKI)予測と腎障害薬との関連は, 治療現場ではまだ検討されていない。 そこで本研究では,患者処方データをモダリティとして活用し,既存のAKI予測モデルを改善する手法を提案する。
  論文  参考訳（メタデータ） (2024-01-09T05:42:32Z)
• 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)
• Neural Bandits for Data Mining: Searching for Dangerous Polypharmacy [63.135687276599114]
  一部の多薬局は、不適切とみなされており、死亡や入院などの健康上の有害な結果に関係している可能性がある。 我々は、クレームデータセットを効率的にマイニングし、薬物の組み合わせと健康結果の関係の予測モデルを構築するためのOptimNeuralTS戦略を提案する。 提案手法では,最大72%のPIPを検出でき,平均精度は99%であり,30000タイムステップで検出できる。
  論文  参考訳（メタデータ） (2022-12-10T03:43:23Z)
• DDI Prediction via Heterogeneous Graph Attention Networks [0.0]
  ポリファーマシー(英: Poly Pharmacy)は、複数の薬物を併用すること。 薬物と薬物の相互作用 (DDI) は、ある薬物の作用が他の薬物と結合した場合に起こる活動である。 薬物と薬物の相互作用を予測するための新しい異種グラフアテンションモデルであるHAN-DDIを提案する。
  論文  参考訳（メタデータ） (2022-07-12T16:59:06Z)
• HyGNN: Drug-Drug Interaction Prediction via Hypergraph Neural Network [0.0]
  薬物と薬物の相互作用(DDI)は薬物の機能を妨げる可能性があり、最悪の場合、薬物の副作用(ADR)を引き起こす可能性がある。 本稿では,DDI予測問題に対するSMILES文字列のみに基づく新しいハイパーグラフニューラルネットワーク(HyGNN)モデルを提案する。 提案したHyGNNモデルは, DDIを効果的に予測し, ROC-AUCとPR-AUCを97.9%, 98.1%で比較した。
  論文  参考訳（メタデータ） (2022-06-25T22:48:27Z)
• 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)
• 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)
• 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)

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。