論文の概要: NeuroCADR: Drug Repurposing to Reveal Novel Anti-Epileptic Drug
Candidates Through an Integrated Computational Approach
- arxiv url: http://arxiv.org/abs/2309.13047v1
- Date: Mon, 4 Sep 2023 03:21:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-01 12:35:07.086585
- Title: NeuroCADR: Drug Repurposing to Reveal Novel Anti-Epileptic Drug
Candidates Through an Integrated Computational Approach
- Title(参考訳): NeuroCADR:新しい抗てんかん薬候補の検索と統合的計算アプローチ
- Authors: Srilekha Mamidala
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Drug repurposing is an emerging approach for drug discovery involving the
reassignment of existing drugs for novel purposes. An alternative to the
traditional de novo process of drug development, repurposed drugs are faster,
cheaper, and less failure prone than drugs developed from traditional methods.
Recently, drug repurposing has been performed in silico, in which databases of
drugs and chemical information are used to determine interactions between
target proteins and drug molecules to identify potential drug candidates. A
proposed algorithm is NeuroCADR, a novel system for drug repurposing via a
multi-pronged approach consisting of k-nearest neighbor algorithms (KNN),
random forest classification, and decision trees. Data was sourced from several
databases consisting of interactions between diseases, symptoms, genes, and
affiliated drug molecules, which were then compiled into datasets expressed in
binary. The proposed method displayed a high level of accuracy, outperforming
nearly all in silico approaches. NeuroCADR was performed on epilepsy, a
condition characterized by seizures, periods of time with bursts of
uncontrolled electrical activity in brain cells. Existing drugs for epilepsy
can be ineffective and expensive, revealing a need for new antiepileptic drugs.
NeuroCADR identified novel drug candidates for epilepsy that can be further
approved through clinical trials. The algorithm has the potential to determine
possible drug combinations to prescribe a patient based on a patient's prior
medical history. This project examines NeuroCADR, a novel approach to
computational drug repurposing capable of revealing potential drug candidates
in neurological diseases such as epilepsy.
- Abstract(参考訳): 薬物再精製は、新しい目的のために既存の薬物の再割り当てを含む薬物発見の新しいアプローチである。
薬物開発における伝統的なデ・ノボのプロセスの代替として、再利用された薬物は、従来の方法から開発された薬物よりも速く、安価で、失敗しやすい。
近年, シリコでは, 標的タンパク質と薬物分子との相互作用を検索し, 薬物候補を同定するために, 薬物データベースと化学物質情報の活用が試みられている。
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,決定木からなる多目的アプローチによる薬物再資源化システムである。
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。
提案手法は高い精度を示し,シリコアプローチのほぼすべてに匹敵する精度を示した。
神経CADRはてんかんを特徴とするてんかん、脳細胞における制御不能な電気活動のバーストを伴う期間で実施された。
既存のてんかん治療薬は効果がなく高価であり、新しい抗てんかん薬の必要性が浮かび上がっている。
neurocadrは、臨床試験を通じてさらに承認できる新しいてんかん候補を同定した。
このアルゴリズムは、患者の以前の医療履歴に基づいて、患者を処方する薬物の組み合わせを決定できる可能性がある。
本研究は, てんかんなどの神経疾患における薬物候補を解明する新手法であるNeuroCADRについて検討する。
関連論文リスト
- 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) - 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) - Modeling Path Importance for Effective Alzheimer's Disease Drug
Repurposing [8.153491945775734]
薬物再資源化のための新しいネットワーク方式 MPI (Modeling Path Importance) を提案する。
MPIは学習ノードの埋め込みを通じて重要なパスを優先し、ネットワークの豊富な構造情報を効果的にキャプチャする。
上位50の薬物のうち、MPIは、基準値よりも20.0%の薬物を抗AD抗体で優先している。
論文 参考訳(メタデータ) (2023-10-23T17:24:11Z) - Zero-shot Learning of Drug Response Prediction for Preclinical Drug
Screening [38.94493676651818]
ゼロショット学習ソリューションを提案する。
予防的薬物スクリーニングの課題です
具体的には、MSDAと呼ばれるマルチブランチマルチソースドメイン適応テスト拡張プラグインを提案する。
論文 参考訳(メタデータ) (2023-10-05T05:55:41Z) - A clustering and graph deep learning-based framework for COVID-19 drug
repurposing [0.3359875577705538]
本研究では,異種薬物データに基づく多機能型クラスタリングのためのグラフベースのオートエンコーダを用いた,教師なし機械学習フレームワークを提案する。
データセットは438種類の薬物で構成され、そのうち224種は新型コロナウイルスの臨床試験を受けている。
当フレームワークは,薬理学的特性,化学的・物理的性質,宿主との相互作用,各種の公開型COVID-19アッセイにおける有効性など,報告された薬物データに依存している。
論文 参考訳(メタデータ) (2023-06-24T15:00:47Z) - 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) - 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) - 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) - 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) - When deep learning meets causal inference: a computational framework for
drug repurposing from real-world data [12.68717103979673]
既存の薬物精製法は、ヒトに適用した場合に翻訳上の問題が存在する可能性がある。
薬物再資源化のための複数の候補の生成と試験を行うための,効率的かつ簡便なフレームワークを提案する。
本研究の枠組みは, 冠動脈疾患(CAD)の症例研究において, 55の薬剤候補が各種疾患の予後に及ぼす影響を評価することで実証する。
論文 参考訳(メタデータ) (2020-07-16T21:30:56Z)
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。