論文の概要: HeTriNet: Heterogeneous Graph Triplet Attention Network for
Drug-Target-Disease Interaction
- arxiv url: http://arxiv.org/abs/2312.00189v1
- Date: Thu, 30 Nov 2023 20:55:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-04 16:24:43.589176
- Title: HeTriNet: Heterogeneous Graph Triplet Attention Network for
Drug-Target-Disease Interaction
- Title（参考訳）: hetrinet:不均質グラフトリプレットアテンションネットワークによる薬物-標的-ダイセアーゼ相互作用
- Authors: Farhan Tanvir, Khaled Mohammed Saifuddin, Tanvir Hossain, Arunkumar
Bagavathi and Esra Akbas
- Abstract要約: 我々は、新しい異種グラフトリプルト注意ネットワーク(textttHeTriNet)を開発した。
textttHeTriNetは、この異種グラフ構造の中に新しい三重項注意機構を導入している。
実世界のデータセットの実験結果から、texttHeTriNetはいくつかのベースラインを上回っている。
- 参考スコア（独自算出の注目度）: 1.4686956115342287
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modeling the interactions between drugs, targets, and diseases is paramount
in drug discovery and has significant implications for precision medicine and
personalized treatments. Current approaches frequently consider drug-target or
drug-disease interactions individually, ignoring the interdependencies among
all three entities. Within human metabolic systems, drugs interact with protein
targets in cells, influencing target activities and subsequently impacting
biological pathways to promote healthy functions and treat diseases. Moving
beyond binary relationships and exploring tighter triple relationships is
essential to understanding drugs' mechanism of action (MoAs). Moreover,
identifying the heterogeneity of drugs, targets, and diseases, along with their
distinct characteristics, is critical to model these complex interactions
appropriately. To address these challenges, we effectively model the
interconnectedness of all entities in a heterogeneous graph and develop a novel
Heterogeneous Graph Triplet Attention Network (\texttt{HeTriNet}).
\texttt{HeTriNet} introduces a novel triplet attention mechanism within this
heterogeneous graph structure. Beyond pairwise attention as the importance of
an entity for the other one, we define triplet attention to model the
importance of pairs for entities in the drug-target-disease triplet prediction
problem. Experimental results on real-world datasets show that
\texttt{HeTriNet} outperforms several baselines, demonstrating its remarkable
proficiency in uncovering novel drug-target-disease relationships.
- Abstract（参考訳）: 薬物、標的、疾患間の相互作用をモデル化することは、薬物発見において最重要であり、精密医療やパーソナライズされた治療に重要な意味を持つ。
現在のアプローチでは、薬物と薬物の相互作用を個別に考慮し、これら3つの実体の相互依存を無視している。
ヒトの代謝系では、薬物は細胞のタンパク質標的と相互作用し、標的活性に影響を与え、その後生物学的経路に影響を与え、健康な機能を促進し、病気を治療する。
二元関係を超えてより緊密な三元関係を探求することは、薬物の作用機構(moas)を理解するために不可欠である。
さらに, 薬物, 標的, 疾患の不均一性を同定し, それらの特徴とともに, これらの複雑な相互作用を適切にモデル化することが重要である。
これらの課題に対処するために、異種グラフにおける全てのエンティティの相互接続性を効果的にモデル化し、新しい異種グラフトリプレット注意ネットワーク(\texttt{HeTriNet})を開発する。
\texttt{HeTriNet} はこの不均一グラフ構造の中に新しい三重項注意機構を導入する。
他方のエンティティの重要度としてのペアの注意を超えて、我々は三重項注意を定義し、薬物・ターゲット・ダイゼアーゼ三重項予測問題におけるエンティティのペアの重要性をモデル化する。
実世界のデータセットでの実験的結果は、 \texttt{hetrinet} がいくつかのベースラインを上回っており、新しい薬物標的とダイザスの関係を明らかにするための優れた能力を示している。
関連論文リスト
- MOTIVE: A Drug-Target Interaction Graph For Inductive Link Prediction [0.29998889086656577]
本稿では,11,000遺伝子と3,600化合物のセルペイント機能を有する形態的cOmpoundターゲット相互作用グラフであるMOTIVEについて紹介する。
我々は、現実的なユースケース下で厳密な評価を可能にするために、ランダムでコールドソース(新薬)とコールドターゲット(新遺伝子)データを分割する。
ベンチマークの結果,Cell Painting機能を用いたグラフニューラルネットワークは,グラフ構造のみから学習したニューラルネットワークよりも一貫して優れていた。
論文 参考訳（メタデータ） (2024-06-12T21:18:14Z) - A Cross-Field Fusion Strategy for Drug-Target Interaction Prediction [85.2792480737546]
既存の方法は、DTI予測中にグローバルなタンパク質情報を利用することができない。
ローカルおよびグローバルなタンパク質情報を取得するために、クロスフィールド情報融合戦略が採用されている。
SiamDTI予測法は、新規薬物や標的に対する他の最先端(SOTA)法よりも高い精度を達成する。
論文 参考訳（メタデータ） (2024-05-23T13:25:20Z) - Learning to Denoise Biomedical Knowledge Graph for Robust Molecular Interaction Prediction [50.7901190642594]
分子間相互作用予測のためのバイオKDN (Biomedical Knowledge Graph Denoising Network) を提案する。
BioKDNは、ノイズの多いリンクを学習可能な方法で識別することで、局所的な部分グラフの信頼性の高い構造を洗練する。
ターゲットの相互作用に関する関係を円滑にすることで、一貫性とロバストなセマンティクスを維持する。
論文 参考訳（メタデータ） (2023-12-09T07:08:00Z) - 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) - Communicative Subgraph Representation Learning for Multi-Relational
Inductive Drug-Gene Interaction Prediction [17.478102754113294]
マルチリレーショナル・インダクティブ・ドラッグ-遺伝子相互作用予測(CoSMIG)のための新しいコミュニケーティブ・サブグラフ表現学習法を提案する。
このモデルは、通信メッセージパッシング機構を通じて、薬物遺伝子グラフの関係を強化した。
提案手法は,トランスダクティブシナリオにおいて最先端のベースラインより優れ,インダクティブシナリオでは優れた性能を実現した。
論文 参考訳（メタデータ） (2022-05-12T08:53:45Z) - Hierarchical Graph Representation Learning for the Prediction of
Drug-Target Binding Affinity [7.023929372010717]
本稿では,薬物結合親和性予測,すなわちHGRL-DTAのための新しい階層グラフ表現学習モデルを提案する。
本稿では,グローバルレベルの親和性グラフと局所レベルの分子グラフから得られた階層的表現を統合するためのメッセージブロードキャスティング機構を採用し,また,類似性に基づく埋め込みマップを設計し,未知の薬物や標的に対する表現の推論というコールドスタート問題を解決する。
論文 参考訳（メタデータ） (2022-03-22T04:50:16Z) - Modular multi-source prediction of drug side-effects with DruGNN [3.229607826010618]
薬物副作用(DSE)は公衆衛生、医療システムコスト、薬物発見プロセスに高い影響を与える。
それらの発生を予測するためには、異種源からのデータを統合する必要がある。
この研究において、そのような異種データはグラフデータセットに統合され、異なるエンティティ間の関係情報を表現的に表現する。
グラフニューラルネットワーク(GNN)は、データセット上のDSEを非常に有望な結果で予測するために利用される。
論文 参考訳（メタデータ） (2022-02-15T09:41:05Z) - Improved Drug-target Interaction Prediction with Intermolecular Graph
Transformer [98.8319016075089]
本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。
分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。
IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
論文 参考訳（メタデータ） (2021-10-14T13:28:02Z) - An Interpretable Framework for Drug-Target Interaction with Gated Cross
Attention [4.746451824931381]
本研究では,インタラクションサイトに対して適切な手がかりを提供するための,新しい解釈可能なフレームワークを提案する。
我々は,これらの特徴間の明示的な相互作用を構築することにより,薬物と標的の特徴を相互に関与するゲート・クロス・アテンション・メカニズムを精巧に設計する。
実験の結果,2つのDTIデータセットにおける提案手法の有効性が示された。
論文 参考訳（メタデータ） (2021-09-17T05:53:40Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - Distance-aware Molecule Graph Attention Network for Drug-Target Binding
Affinity Prediction [54.93890176891602]
薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。
そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。
また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
論文 参考訳（メタデータ） (2020-12-17T17:44:01Z)
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。