論文の概要: The Graph Convolutional Network with Multi-representation Alignment for
Drug Synergy Prediction
- arxiv url: http://arxiv.org/abs/2311.16207v1
- Date: Mon, 27 Nov 2023 15:34:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-30 09:41:16.347447
- Title: The Graph Convolutional Network with Multi-representation Alignment for
Drug Synergy Prediction
- Title(参考訳): 薬物相乗予測のための多表現アライメント付きグラフ畳み込みネットワーク
- Authors: Xinxing Yang, Genke Yang and Jian Chu
- Abstract要約: 薬物の組み合わせは、特定の疾患を同時に治療するための2つ以上の薬物の使用を指す。
本研究では,薬物相乗効果を予測するための多表現アライメント(GCNMRA)を用いたグラフ畳み込みネットワークを提案する。
- 参考スコア(独自算出の注目度): 3.4417916979102703
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Drug combination refers to the use of two or more drugs to treat a specific
disease at the same time. It is currently the mainstream way to treat complex
diseases. Compared with single drugs, drug combinations have better efficacy
and can better inhibit toxicity and drug resistance. The computational model
based on deep learning concatenates the representation of multiple drugs and
the corresponding cell line feature as input, and the output is whether the
drug combination can have an inhibitory effect on the cell line. However, this
strategy of concatenating multiple representations has the following defects:
the alignment of drug representation and cell line representation is ignored,
resulting in the synergistic relationship not being reflected positionally in
the embedding space. Moreover, the alignment measurement function in deep
learning cannot be suitable for drug synergy prediction tasks due to
differences in input types. Therefore, in this work, we propose a graph
convolutional network with multi-representation alignment (GCNMRA) for
predicting drug synergy. In the GCNMRA model, we designed a
multi-representation alignment function suitable for the drug synergy
prediction task so that the positional relationship between drug
representations and cell line representation is reflected in the embedding
space. In addition, the vector modulus of drug representations and cell line
representation is considered to improve the accuracy of calculation results and
accelerate model convergence. Finally, many relevant experiments were run on
multiple drug synergy datasets to verify the effectiveness of the above
innovative elements and the excellence of the GCNMRA model.
- Abstract(参考訳): 薬物の組み合わせは、特定の疾患を同時に治療するための2つ以上の薬物の使用を指す。
現在、複雑な疾患の治療の主流となっている。
単一薬剤と比較して、薬物の組み合わせは効果が良く、毒性や薬剤耐性を阻害する。
ディープラーニングに基づく計算モデルは、複数の薬物の表現と対応する細胞線の特徴を入力として結合し、その出力は、その薬物の組み合わせが細胞線に阻害作用を持つかどうかである。
しかし、複数の表現を連結するこの戦略には、薬物表現と細胞線表現のアライメントは無視され、結果として、埋め込み空間において位置的に反映されない相乗的関係が生じる。
また, 深層学習におけるアライメント測定関数は, 入力タイプの違いから, 薬物相乗予測タスクには適さない。
そこで本研究では,薬物相乗効果を予測するための多表現アライメント(GCNMRA)を用いたグラフ畳み込みネットワークを提案する。
GCNMRAモデルでは,薬物相乗効果予測タスクに適した多表現アライメント関数を設計し,薬物表現と細胞線表現の位置関係が埋め込み空間に反映されるようにした。
また, 薬物表現と細胞線表現のベクトル係数は, 計算結果の精度を向上し, モデル収束を加速すると考えられる。
最後に、上記イノベーティブな要素の有効性とGCNMRAモデルの性能を検証するために、複数の薬物相乗効果データセット上で多くの関連する実験が行われた。
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) - 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) - DDoS: A Graph Neural Network based Drug Synergy Prediction Algorithm [0.4893345190925177]
薬物相乗効果予測のためのグラフニューラルネットワーク(GNN)モデルを提案する。
利用可能な最大の薬物組み合わせデータベース(DrugComb)からの情報を用いて、信頼性の高いベンチマークデータセットを構築します。
論文 参考訳(メタデータ) (2022-10-03T10:16:29Z) - Tailoring Molecules for Protein Pockets: a Transformer-based Generative
Solution for Structured-based Drug Design [133.1268990638971]
標的タンパク質の構造に基づくデノボ薬物の設計は、新規な薬物候補を提供することができる。
そこで本研究では,特定のターゲットに対して,対象薬物をスクラッチから直接生成できるTamGentという生成ソリューションを提案する。
論文 参考訳(メタデータ) (2022-08-30T09:32:39Z) - 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) - MOOMIN: Deep Molecular Omics Network for Anti-Cancer Drug Combination
Therapy [2.446672595462589]
本稿では,がん治療における薬物併用の相乗効果を予測できるマルチモーダルグラフニューラルネットワークを提案する。
本モデルでは,薬物とタンパク質の相互作用ネットワークとメタデータに基づいて,薬物のコンテキストを複数スケールで表現する。
このモデルが癌細胞株の組織を広範囲にわたって高い品質で予測できることを実証した。
論文 参考訳(メタデータ) (2021-10-28T13:10:25Z) - 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) - Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug
Response [49.86828302591469]
本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。
我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。
アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
論文 参考訳(メタデータ) (2020-05-13T20:29:48Z) - Drug-Drug Interaction Prediction with Wasserstein Adversarial
Autoencoder-based Knowledge Graph Embeddings [22.562175708415392]
薬物・薬物相互作用のための知識グラフ埋め込みフレームワークを提案する。
本フレームワークでは, 高品質な負のサンプルを生成するために, オートエンコーダを用いる。
判別器は、正三重項と負三重項の両方に基づいて薬物と相互作用の埋め込みを学習する。
論文 参考訳(メタデータ) (2020-04-15T21:03:29Z) - 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。