論文の概要: Computational Approaches for Predicting Drug-Disease Associations: A Comprehensive Review

• arxiv url: http://arxiv.org/abs/2309.06388v1
• Date: Sun, 10 Sep 2023 11:34:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-13 12:01:35.151505
• Title: Computational Approaches for Predicting Drug-Disease Associations: A Comprehensive Review
• Title（参考訳）: 医薬品協会予測のための計算的アプローチ:総括的考察
• Authors: Chunyan Ao, Zhichao Xiao, Lixin Guan, Liang Yu
• Abstract要約: 伝統的な薬物研究と開発は、高いコスト、長いスケジュール、高いリスクといった課題に直面している。 これらの問題に対処するため、薬物再配置による薬物と疾患の関係を予測するための多くの計算手法が提案されている。 研究者は、薬物副作用・消毒関連、薬物標的関連、および消毒関連など、薬物・消毒関連を予測する様々な方法を模索してきた。
• 参考スコア（独自算出の注目度）: 2.795537184748898
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent decades, traditional drug research and development have been facing challenges such as high cost, long timelines, and high risks. To address these issues, many computational approaches have been suggested for predicting the relationship between drugs and diseases through drug repositioning, aiming to reduce the cost, development cycle, and risks associated with developing new drugs. Researchers have explored different computational methods to predict drug-disease associations, including drug side effects-disease associations, drug-target associations, and miRNAdisease associations. In this comprehensive review, we focus on recent advances in predicting drug-disease association methods for drug repositioning. We first categorize these methods into several groups, including neural network-based algorithms, matrixbased algorithms, recommendation algorithms, link-based reasoning algorithms, and text mining and semantic reasoning. Then, we compare the prediction performance of existing drug-disease association prediction algorithms. Lastly, we delve into the present challenges and future prospects concerning drug-disease associations.
• Abstract（参考訳）: 近年、従来の薬物研究と開発は、高いコスト、長いタイムライン、高いリスクなどの課題に直面している。 これらの問題に対処するため、新薬開発に伴うコスト、開発サイクル、リスクの低減を目的として、薬物再配置による薬物と疾患の関係を予測するための多くの計算手法が提案されている。 研究者は、薬物副作用関連協会、薬物標的関連協会、miRNA障害関連など、薬物障害関連を予測するための様々な計算方法を模索してきた。 本総説では, 薬物再配置における薬物放出関連法の予測における最近の進歩に注目した。 まず、ニューラルネットワークベースのアルゴリズム、行列ベースのアルゴリズム、レコメンデーションアルゴリズム、リンクベースの推論アルゴリズム、テキストマイニングとセマンティック推論を含むいくつかのグループに分類する。 次に,既存の薬剤・病原体関連予測アルゴリズムの予測性能を比較する。 最後に,創薬協会の現状と今後の課題について考察する。

関連論文リスト

• Drug Repurposing for Parkinson's Disease Using Random Walk With Restart Algorithm and the Parkinson's Disease Ontology Database [0.0]
  我々は,遺伝子の発現データ,生物学的ネットワーク,PDODデータベースを統合し,パーキンソン治療のための薬物再配置剤を同定する新しい計算プラットフォームを設計する。 本稿では, 遺伝子解析, ネットワーク優先化, 薬物標的データ解析を行い, 薬物再資源化の可能性を総合的に評価する。
  論文  参考訳（メタデータ） (2024-04-11T20:11:25Z)
• 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)
• NeuroCADR: Drug Repurposing to Reveal Novel Anti-Epileptic Drug Candidates Through an Integrated Computational Approach [0.0]
  薬物再資源化は、新しい目的のために既存の薬物を再割り当てすることを含む薬物発見の新たなアプローチである。 提案するアルゴリズムはNeuroCADRであり,k-nearest neighbor algorithm (KNN),ランダム森林分類,決定木からなるマルチプログレッシブアプローチによる創薬システムである。 データは病気、症状、遺伝子、および関連する薬物分子間の相互作用からなるデータベースから作成され、その後バイナリで表現されたデータセットにコンパイルされた。 NeuroCADRは、臨床試験によってさらに承認されるてんかんの新規薬物候補を特定した。
  論文  参考訳（メタデータ） (2023-09-04T03:21:43Z)
• 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)
• 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)
• 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)
• ImDrug: A Benchmark for Deep Imbalanced Learning in AI-aided Drug Discovery [79.08833067391093]
  現実世界の医薬品のデータセットは、しばしば高度に不均衡な分布を示す。 ImDrugはオープンソースのPythonライブラリを備えたベンチマークで、4つの不均衡設定、11のAI対応データセット、54の学習タスク、16のベースラインアルゴリズムで構成されています。 ドラッグ発見パイプラインの幅広い範囲にまたがる問題やソリューションに対して、アクセス可能でカスタマイズ可能なテストベッドを提供する。
  論文  参考訳（メタデータ） (2022-09-16T13:35:57Z)
• 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)
• The Neural Metric Factorization for Computational Drug Repositioning [1.5206182560183663]
  計算薬物再配置は、市販薬物の新しい治療疾患を発見することを目的としている。 行列因数分解モデルは, 医薬再配置における主要な基礎技術となっている。 本稿では, 医薬再配置のためのニューラル・メトリック・ファクター化モデルを提案する。
  論文  参考訳（メタデータ） (2021-09-16T03:14:43Z)
• A Node Embedding Framework for Integration of Similarity-based Drug Combination Prediction [7.4517333921953215]
  我々は,合成薬物の組み合わせを予測するために,NEMNのネットワーク埋め込みフレームワークを提案する。 マルチプレックスドラッグ類似性ネットワークに基づいて,異なる側面から有用な情報を統合するための代替手法を提案する。 薬物併用予測では, 外部情報源で検証した新薬を7種類検出した。
  論文  参考訳（メタデータ） (2020-02-25T02:24:47Z)

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。