論文の概要: Learning a Patent-Informed Biomedical Knowledge Graph Reveals Technological Potential of Drug Repositioning Candidates
- arxiv url: http://arxiv.org/abs/2309.03227v2
- Date: Wed, 24 Jul 2024 08:31:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-25 19:50:07.381591
- Title: Learning a Patent-Informed Biomedical Knowledge Graph Reveals Technological Potential of Drug Repositioning Candidates
- Title（参考訳）: 特許インフォームドバイオメディカル知識グラフの学習 : 医薬品再配置候補の技術的可能性
- Authors: Yongseung Jegal, Jaewoong Choi, Jiho Lee, Ki-Su Park, Seyoung Lee, Janghyeok Yoon,
- Abstract要約: 本研究では, 医薬品特許やバイオメディカルデータベースなど, さまざまな資料を解析するための新しいプロトコルを提案する。
薬物再配置候補を, 技術的可能性と科学的証拠の両方で同定する。
アルツハイマー病の症例研究は,その有効性と実現可能性を示している。
- 参考スコア（独自算出の注目度）: 6.268435617836703
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Drug repositioning-a promising strategy for discovering new therapeutic uses for existing drugs-has been increasingly explored in the computational science literature using biomedical databases. However, the technological potential of drug repositioning candidates has often been overlooked. This study presents a novel protocol to comprehensively analyse various sources such as pharmaceutical patents and biomedical databases, and identify drug repositioning candidates with both technological potential and scientific evidence. To this end, first, we constructed a scientific biomedical knowledge graph (s-BKG) comprising relationships between drugs, diseases, and genes derived from biomedical databases. Our protocol involves identifying drugs that exhibit limited association with the target disease but are closely located in the s-BKG, as potential drug candidates. We constructed a patent-informed biomedical knowledge graph (p-BKG) by adding pharmaceutical patent information. Finally, we developed a graph embedding protocol to ascertain the structure of the p-BKG, thereby calculating the relevance scores of those candidates with target disease-related patents to evaluate their technological potential. Our case study on Alzheimer's disease demonstrates its efficacy and feasibility, while the quantitative outcomes and systematic methods are expected to bridge the gap between computational discoveries and successful market applications in drug repositioning research.
- Abstract（参考訳）: 薬物再配置は、既存の薬物の新しい治療法を発見するための有望な戦略であり、バイオメディカルデータベースを用いた計算科学文献で研究が進められている。
しかし、薬物再配置候補の技術的可能性はしばしば見過ごされている。
本研究は, 医薬品特許やバイオメディカルデータベースなどの諸資料を包括的に分析し, 薬物再配置候補を, 技術的可能性と科学的証拠の両方で同定するための新しいプロトコルを提案する。
そこで我々はまず, 薬物, 疾患, および生物医学データベースから得られた遺伝子を関連づけた, 科学的バイオメディカル知識グラフ(s-BKG)を構築した。
本プロトコルでは, 標的疾患と限られた関連性を示す薬物を, s-BKGの薬剤候補として同定する。
特許インフォームドバイオメディカル知識グラフ(p-BKG)を構築した。
最後に,p-BKGの構造を確認するためのグラフ埋め込みプロトコルを開発した。
アルツハイマー病の症例研究は、その有効性と実現可能性を示し、定量的な結果と体系的な手法は、薬物再沈着研究における計算的発見と市場応用とのギャップを埋めることが期待されている。
関連論文リスト
- 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) - SynerGPT: In-Context Learning for Personalized Drug Synergy Prediction
and Drug Design [64.69434941796904]
本稿では,テキスト内薬物相乗学習のための新しい設定とモデルを提案する。
特定のがん細胞標的の文脈における10～20の薬物相乗関係の「個人化データセット」を作成した。
私たちの目標は、その文脈で追加の薬物シナジー関係を予測することです。
論文 参考訳（メタデータ） (2023-06-19T17:03:46Z) - Knowledge-augmented Graph Machine Learning for Drug Discovery: A Survey [6.288056740658763]
グラフ機械学習(GML)は、グラフ構造化バイオメディカルデータをモデル化する優れた能力で注目されている。
近年の研究では、より正確で解釈可能な薬物発見を実現するために、外部のバイオメディカル知識をGMLパイプラインに統合することを提案した。
論文 参考訳（メタデータ） (2023-02-16T12:38:01Z) - 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) - 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) - 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) - Discovering Drug-Target Interaction Knowledge from Biomedical Literature [107.98712673387031]
人体における薬物と標的(DTI)の相互作用は、生物医学や応用において重要な役割を担っている。
毎年何百万もの論文がバイオメディカル分野で出回っているので、文学からDTIの知識を自動的に発見することは、業界にとって急激な需要となっている。
生成的アプローチを用いて,この課題に対する最初のエンドツーエンドソリューションについて検討する。
我々はDTI三重項をシーケンスとみなし、Transformerベースのモデルを使ってエンティティや関係の詳細なアノテーションを使わずに直接生成する。
論文 参考訳（メタデータ） (2021-09-27T17:00:14Z) - A Review of Biomedical Datasets Relating to Drug Discovery: A Knowledge
Graph Perspective [4.746544835197422]
薬物発見分野に新しい技術を適用することに興味を持つ機械学習や知識グラフの実践者を支援することを目的としている。
様々な創薬中心の知識グラフの構築に適した情報を含む公開のプライマリデータソースを詳細に説明します。
論文 参考訳（メタデータ） (2021-02-19T17:49:38Z) - Towards Incorporating Entity-specific Knowledge Graph Information in
Predicting Drug-Drug Interactions [1.14219428942199]
本稿では,他のバイオメディカル・エンティティとの相互作用から得られる薬物の埋め込みと,ドメイン固有のBioBERT埋め込みに基づくRCアーキテクチャを組み合わせる新しい手法であるBERTKG-DDIを提案する。
DDIExtraction 2013 コーパスで行った実験では、この戦略が他のベースラインアーキテクチャを4.1%マクロF1スコアで改善することを明確に示している。
論文 参考訳（メタデータ） (2020-12-21T06:44:32Z) - Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。
ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。
提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
論文 参考訳（メタデータ） (2020-08-05T15:45:54Z)
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。