論文の概要: DDIPrompt: Drug-Drug Interaction Event Prediction based on Graph Prompt
Learning
- arxiv url: http://arxiv.org/abs/2402.11472v1
- Date: Sun, 18 Feb 2024 06:22:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-20 20:58:34.148016
- Title: DDIPrompt: Drug-Drug Interaction Event Prediction based on Graph Prompt
Learning
- Title(参考訳): ddiprompt: グラフプロンプト学習に基づく薬物と薬物の相互作用イベント予測
- Authors: Yingying Wang, Yun Xiong, Xixi Wu, Xiangguo Sun, and Jiawei Zhang
- Abstract要約: 我々はDDIPromptを提案し、高度に不均衡な事象分布と稀な事象に対するラベル付きデータの不足を克服する。
最初の課題を解決するために、DDIPromptは、構造的および対話的な近接性の両方を考慮して、薬物間のリンクを増設する。
2つ目の課題は、推論中にプロトタイプ強化プロンプト機構を実装することである。
- 参考スコア(独自算出の注目度): 15.69547371747469
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, Graph Neural Networks have become increasingly prevalent in
predicting adverse drug-drug interactions (DDI) due to their proficiency in
modeling the intricate associations between atoms and functional groups within
and across drug molecules. However, they are still hindered by two significant
challenges: (1) the issue of highly imbalanced event distribution, which is a
common but critical problem in medical datasets where certain interactions are
vastly underrepresented. This imbalance poses a substantial barrier to
achieving accurate and reliable DDI predictions. (2) the scarcity of labeled
data for rare events, which is a pervasive issue in the medical field where
rare yet potentially critical interactions are often overlooked or
under-studied due to limited available data. In response, we offer DDIPrompt,
an innovative panacea inspired by the recent advancements in graph prompting.
Our framework aims to address these issues by leveraging the intrinsic
knowledge from pre-trained models, which can be efficiently deployed with
minimal downstream data. Specifically, to solve the first challenge, DDIPrompt
employs augmented links between drugs, considering both structural and
interactive proximity. It features a hierarchical pre-training strategy that
comprehends intra-molecular structures and inter-molecular interactions,
fostering a comprehensive and unbiased understanding of drug properties. For
the second challenge, we implement a prototype-enhanced prompting mechanism
during inference. This mechanism, refined by few-shot examples from each
category, effectively harnesses the rich pre-training knowledge to enhance
prediction accuracy, particularly for these rare but crucial interactions.
Comprehensive evaluations on two benchmark datasets demonstrate the superiority
of DDIPrompt, particularly in predicting rare DDI events.
- Abstract(参考訳): 近年、グラフニューラルネットワークは、薬物分子内の原子と官能基間の複雑な関連をモデル化する能力があるため、有害薬物-薬物相互作用(ddi)を予測するためにますます普及している。
しかし、(1)特定の相互作用が過小評価されている医療データセットでは一般的なが重要な問題である、高度に不均衡な事象分散の問題である。
この不均衡は、正確で信頼性の高いDDI予測を達成する上で大きな障壁となる。
2) まれな事象のラベル付きデータの不足は, 稀かつ潜在的に重要な相互作用が限られたデータによって見過ごされ, 過小評価される場合が多い医療分野において, 広範な問題である。
これに対し、グラフプロンプトの最近の進歩に触発された革新的なパナセアであるDDIPromptを提供する。
我々のフレームワークは、トレーニング済みのモデルから本質的な知識を活用することで、これらの問題に対処することを目的としており、最小限の下流データで効率的にデプロイできる。
特に、最初の課題を解決するために、DDIPromptは、構造的および対話的な近接性の両方を考慮して、薬物間のリンクを増設する。
分子内構造と分子間相互作用を理解する階層的な事前学習戦略を特徴とし、薬物特性の包括的で偏見のない理解を促進する。
第2の課題として,推論中にprototype-enhanced prompting機構を実装した。
このメカニズムは、各カテゴリの数少ない例によって洗練され、リッチな事前学習知識を効果的に活用し、予測精度を高める。
2つのベンチマークデータセットの総合評価は、DDIPromptの優位性を示し、特に稀なDDIイベントを予測する。
関連論文リスト
- DTIAM: A unified framework for predicting drug-target interactions,
binding affinities and activation/inhibition mechanisms [9.671391525450716]
薬物と標的間の相互作用, 結合親和性, 活性化・抑制機構の予測を目的とした統合フレームワークDTIAMを導入する。
DTIAMは、自己指導型事前学習を通じて大量のラベルなしデータから薬物および標的表現を学習する。
すべてのタスク、特にコールドスタートシナリオにおいて、最先端の他のメソッドよりも大幅にパフォーマンスが向上する。
論文 参考訳(メタデータ) (2023-12-23T13:27:41Z) - PGraphDTA: Improving Drug Target Interaction Prediction using Protein
Language Models and Contact Maps [4.590060921188914]
薬物発見の鍵となる側面は、新規な薬物標的相互作用(DT)の同定である。
タンパク質-リガンド相互作用は結合親和性として知られる結合強度の連続性を示す。
性能向上のための新しい改良を提案する。
論文 参考訳(メタデータ) (2023-10-06T05:00:25Z) - 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) - DrugOOD: Out-of-Distribution (OOD) Dataset Curator and Benchmark for
AI-aided Drug Discovery -- A Focus on Affinity Prediction Problems with Noise
Annotations [90.27736364704108]
我々は、AI支援薬物発見のための体系的なOODデータセットキュレーターおよびベンチマークであるTarmOODを提案する。
DrugOODには、ベンチマークプロセスを完全に自動化するオープンソースのPythonパッケージが付属している。
我々は、薬物標的結合親和性予測という、AIDDにおける最も重要な問題の1つに焦点を当てる。
論文 参考訳(メタデータ) (2022-01-24T12:32:48Z) - 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) - MolTrans: Molecular Interaction Transformer for Drug Target Interaction
Prediction [68.5766865583049]
薬物標的相互作用(DTI)予測は、シリコ薬物発見の基本的な課題である。
近年、DTI予測におけるディープラーニングの進歩が期待されている。
これらの制約に対処する分子間相互作用変換器(TransMol)を提案する。
論文 参考訳(メタデータ) (2020-04-23T18:56:04Z) - 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) - Deep Collaborative Embedding for information cascade prediction [58.90540495232209]
本稿では,情報カスケード予測のためのDeep Collaborative Embedding (DCE) と呼ばれる新しいモデルを提案する。
本稿では, 自動エンコーダを用いた協調埋め込みフレームワークを提案し, カスケード協調とノード協調によるノード埋め込みを学習する。
実世界のデータセットで行った大規模な実験の結果、我々のアプローチの有効性が検証された。
論文 参考訳(メタデータ) (2020-01-18T13:32:18Z) - Explainable Deep Relational Networks for Predicting Compound-Protein
Affinities and Contacts [80.69440684790925]
Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。
それは最先端技術に対する優れた解釈可能性を示している。
接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
論文 参考訳(メタデータ) (2019-12-29T00:14:07Z)
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。