論文の概要: Zero-shot Learning of Drug Response Prediction for Preclinical Drug Screening

• arxiv url: http://arxiv.org/abs/2310.12996v1
• Date: Thu, 5 Oct 2023 05:55:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-29 16:22:57.161370
• Title: Zero-shot Learning of Drug Response Prediction for Preclinical Drug Screening
• Title（参考訳）: 薬物検査における薬物反応予測のゼロショット学習
• Authors: Kun Li, Yong Luo, Xiantao Cai, Wenbin Hu, Bo Du
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 38.94493676651818
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conventional deep learning methods typically employ supervised learning for drug response prediction (DRP). This entails dependence on labeled response data from drugs for model training. However, practical applications in the preclinical drug screening phase demand that DRP models predict responses for novel compounds, often with unknown drug responses. This presents a challenge, rendering supervised deep learning methods unsuitable for such scenarios. In this paper, we propose a zero-shot learning solution for the DRP task in preclinical drug screening. Specifically, we propose a Multi-branch Multi-Source Domain Adaptation Test Enhancement Plug-in, called MSDA. MSDA can be seamlessly integrated with conventional DRP methods, learning invariant features from the prior response data of similar drugs to enhance real-time predictions of unlabeled compounds. We conducted experiments using the GDSCv2 and CellMiner datasets. The results demonstrate that MSDA efficiently predicts drug responses for novel compounds, leading to a general performance improvement of 5-10\% in the preclinical drug screening phase. The significance of this solution resides in its potential to accelerate the drug discovery process, improve drug candidate assessment, and facilitate the success of drug discovery.
• Abstract（参考訳）: 従来のディープラーニング手法では、典型的には薬物反応予測(DRP)に教師付き学習を用いる。 これはモデルトレーニングのための薬物からのラベル付き応答データに依存する。 しかし、前臨床薬品スクリーニングフェーズにおける実用的な応用は、drpモデルが新規化合物に対する反応を予測することを要求する。 これはこのようなシナリオに適さない教師付きディープラーニングメソッドのレンダリングという課題を示す。 本稿では,前臨床薬物スクリーニングにおけるDRPタスクに対するゼロショット学習ソリューションを提案する。 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。 MSDAは従来のDRP法とシームレスに統合することができ、類似薬物の反応データから不変の特徴を学習し、ラベルのない化合物のリアルタイム予測を強化することができる。 GDSCv2とCellMinerのデータセットを用いて実験を行った。 以上の結果から,msdaは新規化合物の薬剤反応を効率的に予測し,前臨床薬品スクリーニング段階では5～10\%の性能改善が期待できることがわかった。 このソリューションの重要性は、薬物発見プロセスを加速し、薬物候補の評価を改善し、薬物発見の成功を促進する可能性にある。

関連論文リスト

• Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
  目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。 回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
  論文  参考訳（メタデータ） (2024-05-23T13:22:17Z)
• 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)
• ADRNet: A Generalized Collaborative Filtering Framework Combining Clinical and Non-Clinical Data for Adverse Drug Reaction Prediction [49.56476929112382]
  逆薬物反応(ADR)予測は、医療と薬物発見において重要な役割を果たす。 ADRNetは、臨床データと非臨床データを組み合わせた一般的な協調フィルタリングフレームワークである。
  論文  参考訳（メタデータ） (2023-08-03T11:28:12Z)
• 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)
• 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)
• 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)
• 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)
• 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。