論文の概要: Hierarchical Multi-Relational Graph Representation Learning for
Large-Scale Prediction of Drug-Drug Interactions
- arxiv url: http://arxiv.org/abs/2402.18127v1
- Date: Wed, 28 Feb 2024 07:36:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-29 15:54:31.335127
- Title: Hierarchical Multi-Relational Graph Representation Learning for
Large-Scale Prediction of Drug-Drug Interactions
- Title（参考訳）: 階層型多関係グラフ表現学習による薬物-薬物相互作用の大規模予測
- Authors: Mengying Jiang, Guizhong Liu, Yuanchao Su, Weiqiang Jin, and Biao Zhao
- Abstract要約: 本稿では,薬物と薬物の相互作用を予測するための階層型マルチリレーショナルグラフ表現学習(HMGRL)手法を提案する。
我々は、薬物に関連する豊富な異種データソースを活用して異種グラフを構築し、ノードは薬物を表し、エッジは明確で様々な関連性を示す。
DPのすべての表現ビューを組み合わせることで、DDIを予測するための高レベルDP表現を作成する。
- 参考スコア（独自算出の注目度）: 4.324622513419533
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most existing methods for predicting drug-drug interactions (DDI)
predominantly concentrate on capturing the explicit relationships among drugs,
overlooking the valuable implicit correlations present between drug pairs
(DPs), which leads to weak predictions. To address this issue, this paper
introduces a hierarchical multi-relational graph representation learning
(HMGRL) approach. Within the framework of HMGRL, we leverage a wealth of
drug-related heterogeneous data sources to construct heterogeneous graphs,
where nodes represent drugs and edges denote clear and various associations.
The relational graph convolutional network (RGCN) is employed to capture
diverse explicit relationships between drugs from these heterogeneous graphs.
Additionally, a multi-view differentiable spectral clustering (MVDSC) module is
developed to capture multiple valuable implicit correlations between DPs.
Within the MVDSC, we utilize multiple DP features to construct graphs, where
nodes represent DPs and edges denote different implicit correlations.
Subsequently, multiple DP representations are generated through graph cutting,
each emphasizing distinct implicit correlations. The graph-cutting strategy
enables our HMGRL to identify strongly connected communities of graphs, thereby
reducing the fusion of irrelevant features. By combining every representation
view of a DP, we create high-level DP representations for predicting DDIs. Two
genuine datasets spanning three distinct tasks are adopted to gauge the
efficacy of our HMGRL. Experimental outcomes unequivocally indicate that HMGRL
surpasses several leading-edge methods in performance.
- Abstract（参考訳）: 薬物-薬物相互作用(ddi)を予測する既存の手法のほとんどは、主に薬物間の明示的な関係を捉えることに集中し、ドラッグペア(dps)間の有意義な暗黙的相関を見下ろし、弱い予測をもたらす。
本稿では,階層型マルチリレーショナルグラフ表現学習(HMGRL)手法を提案する。
hmgrlの枠組み内では、多くの薬物関連異種データソースを活用して異種グラフを構築し、ノードが薬物を表現し、エッジが明確かつ多様な関連を示す。
リレーショナルグラフ畳み込みネットワーク(RGCN)は、これらの異種グラフから薬物間の多様な明示的な関係を捉えるために用いられる。
さらに,多視点微分可能スペクトルクラスタリング (MVDSC) モジュールを開発し,DP間の有意な相関関係を抽出した。
MVDSCでは,ノードがDPを表し,エッジが異なる暗黙的相関を示すグラフを構築するために,複数のDP機能を利用する。
その後、複数のdp表現がグラフ切断によって生成され、それぞれ異なる暗黙的相関を強調する。
グラフカット戦略により、HMGRLはグラフの強く結びついたコミュニティを識別し、無関係な特徴の融合を減らすことができる。
DPのすべての表現ビューを組み合わせることで、DDIを予測するための高レベルDP表現を作成する。
HMGRLの有効性を評価するために、3つの異なるタスクにまたがる2つの真のデータセットが採用された。
実験結果から、HMGRLはパフォーマンスにおいていくつかの先行手法を超えることが明らかとなった。
関連論文リスト
- Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。
また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。
本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
論文 参考訳（メタデータ） (2024-10-13T02:22:14Z) - Hierarchical Joint Graph Learning and Multivariate Time Series
Forecasting [0.16492989697868887]
本稿では,相互依存を示すエッジを持つグラフにおいて,多変量信号をノードとして表現する方法を提案する。
我々はグラフニューラルネットワーク(GNN)とアテンションメカニズムを活用し、時系列データ内の基礎となる関係を効率的に学習する。
提案モデルの有効性を,長期予測タスク用に設計された実世界のベンチマークデータセットで評価した。
論文 参考訳（メタデータ） (2023-11-21T14:24:21Z) - Relation-aware graph structure embedding with co-contrastive learning
for drug-drug interaction prediction [4.639653766590366]
相関学習を併用した関係認識グラフ構造に基づく新しいDDI予測手法であるRaGSECoを提案する。
提案したRaGSECoは, マルチリレーショナルDDIグラフとマルチアトリビュートドラッグ・ドラッグ類似性(DDS)グラフの2つの異種薬物グラフを構築した。
薬物対表現(DP)を学習するための新しいコントラスト学習モジュールを提案する。
論文 参考訳（メタデータ） (2023-07-04T06:41:50Z) - Modeling Polypharmacy and Predicting Drug-Drug Interactions using Deep
Generative Models on Multimodal Graphs [6.875312133832078]
マルチモーダルネットワーク上での潜在ノード表現のモデル化におけるグラフオートエンコーダ(VGAE)の有効性を示す。
提案手法は,マルチモーダルグラフの各ノードタイプに対して柔軟な潜在空間を生成する。
モーガンの指紋は各薬の分子構造を捉え、その前に潜伏した埋め込みをデコードする。
論文 参考訳（メタデータ） (2023-02-17T04:06:46Z) - MGNNI: Multiscale Graph Neural Networks with Implicit Layers [53.75421430520501]
暗黙グラフニューラルネットワーク(GNN)は、基礎となるグラフの長距離依存性をキャプチャするために提案されている。
暗黙的GNNの2つの弱点は、長距離依存を捉えるための限られた有効範囲による制約付き表現性と、複数の解像度でグラフ上のマルチスケール情報をキャプチャする能力の欠如である。
グラフ上のマルチスケール構造をモデル化できる暗黙の層(MGNNI)を持つマルチスケールグラフニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2022-10-15T18:18:55Z) - Relation Embedding based Graph Neural Networks for Handling
Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。
具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文 参考訳（メタデータ） (2022-09-23T05:24:18Z) - Predicting Drug-Drug Interactions using Deep Generative Models on Graphs [6.875312133832078]
マルチモーダルネットワーク上での潜在ノード表現における変分グラフオートエンコーダの有効性を示す。
提案手法は,マルチモーダルグラフの各ノードタイプに対して柔軟な潜在空間を生成する。
モデルの性能をさらに高めるために,各薬物の分子構造を捉える新しい手法を提案する。
論文 参考訳（メタデータ） (2022-09-14T14:27:32Z) - Interpolation-based Correlation Reduction Network for Semi-Supervised
Graph Learning [49.94816548023729]
補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。
提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。
この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
論文 参考訳（メタデータ） (2022-06-06T14:26:34Z) - Heterogeneous Graph Neural Networks using Self-supervised Reciprocally
Contrastive Learning [102.9138736545956]
不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。
我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。
この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
論文 参考訳（メタデータ） (2022-04-30T12:57:02Z) - 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) - Diversified Multiscale Graph Learning with Graph Self-Correction [55.43696999424127]
2つのコア成分を組み込んだ多次元グラフ学習モデルを提案します。
情報埋め込みグラフを生成するグラフ自己補正(GSC)機構、および入力グラフの包括的な特性評価を達成するために多様性ブースト正規化(DBR)。
一般的なグラフ分類ベンチマークの実験は、提案されたGSCメカニズムが最先端のグラフプーリング方法よりも大幅に改善されることを示しています。
論文 参考訳（メタデータ） (2021-03-17T16:22:24Z)
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。