論文の概要: VQSynery: Robust Drug Synergy Prediction With Vector Quantization Mechanism

• arxiv url: http://arxiv.org/abs/2403.03089v1
• Date: Tue, 5 Mar 2024 16:21:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-06 14:09:55.079964
• Title: VQSynery: Robust Drug Synergy Prediction With Vector Quantization Mechanism
• Title（参考訳）: VQSynery:ベクトル量子化機構を用いたロバストドラッグのシナジー予測
• Authors: Jiawei Wu, Mingyuan Yan, Dianbo Liu
• Abstract要約: がん治療の最適化の追求は、薬物相乗効果の正確な予測によって大きく進んでいる。 臨床試験のような従来の手法は、広範囲の時間と財政的な要求によって信頼性は保たれている。 本稿では,ベクトル量子化(VQ)機構を利用した新しいフレームワークであるVQSynergyについて述べる。
• 参考スコア（独自算出の注目度）: 7.197396404379626
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The pursuit of optimizing cancer therapies is significantly advanced by the accurate prediction of drug synergy. Traditional methods, such as clinical trials, are reliable yet encumbered by extensive time and financial demands. The emergence of high-throughput screening and computational innovations has heralded a shift towards more efficient methodologies for exploring drug interactions. In this study, we present VQSynergy, a novel framework that employs the Vector Quantization (VQ) mechanism, integrated with gated residuals and a tailored attention mechanism, to enhance the precision and generalizability of drug synergy predictions. Our findings demonstrate that VQSynergy surpasses existing models in terms of robustness, particularly under Gaussian noise conditions, highlighting its superior performance and utility in the complex and often noisy domain of drug synergy research. This study underscores the potential of VQSynergy in revolutionizing the field through its advanced predictive capabilities, thereby contributing to the optimization of cancer treatment strategies.
• Abstract（参考訳）: がん治療の最適化の追求は、薬物相乗効果の正確な予測によって大きく進んでいる。 臨床試験のような伝統的な方法は信頼性が高いが、膨大な時間と財政的要求によって蓄積される。 高スループットスクリーニングと計算革新の出現は、薬物相互作用を探索するより効率的な方法論への移行を示唆している。 本稿では,VQ(Vector Quantization, ベクトル量子化)機構を応用した新しいフレームワークであるVQSynergyについて述べる。 以上の結果から,VQSynergyは,特にガウス雑音条件下での頑健性において既存モデルよりも優れており,薬物シナジー研究の複雑でうるさい領域において,優れた性能と有用性を示している。 本研究は,VQSynergyの高度な予測能力を通じて,その分野に革命をもたらす可能性を強調し,がん治療戦略の最適化に寄与する。

関連論文リスト

• A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
  大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。 これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。 本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
  論文  参考訳（メタデータ） (2024-12-18T14:11:15Z)
• Chimera: Accurate retrosynthesis prediction by ensembling models with diverse inductive biases [3.885174353072695]
  化学合成の計画と実行は、機能的な小さな分子の発見において大きなボトルネックとなっている。 化学者が反応モデルを構築するためのフレームワークであるChimeraを提案する。
  論文  参考訳（メタデータ） (2024-12-06T18:55:19Z)
• Optimizing Disease Prediction with Artificial Intelligence Driven Feature Selection and Attention Networks [0.0]
  この記事では、先駆的なアンサンブル特徴選択モデルを紹介します。 提案モデルの中心には、最適な特徴選択のための新しいアプローチであるSEV-EBアルゴリズムがある。 HSC-AttentionNetが導入され、モデルが健康データ内の短期パターンと長期依存関係の両方をキャプチャできる。
  論文  参考訳（メタデータ） (2024-07-31T14:12:27Z)
• LightCPPgen: An Explainable Machine Learning Pipeline for Rational Design of Cell Penetrating Peptides [0.32985979395737786]
  我々は,機械学習(ML)と最適化アルゴリズムの長所を活かして,CPPのデノボ設計に革新的なアプローチを導入する。 私たちの戦略はLight CPPgenと呼ばれ、LightGBMベースの予測モデルと遺伝的アルゴリズム(GA)を統合しています。 GAソリューションは、元の非貫通ペプチドとの類似性を最大化しつつ、候補配列の透過性スコアを特にターゲットとしている。
  論文  参考訳（メタデータ） (2024-05-31T10:57:25Z)
• Neural Interaction Energy for Multi-Agent Trajectory Prediction [55.098754835213995]
  ニューラル・インタラクション・エナジー(MATE)によるマルチエージェント軌道予測(Multi-Agent Trajectory Prediction)というフレームワークを導入する。 MATEは神経相互作用エネルギーを用いてエージェントの対話運動を評価する。 時間的安定性を高めるために,エージェント間相互作用制約とエージェント内動作制約という2つの制約を導入する。
  論文  参考訳（メタデータ） (2024-04-25T12:47:47Z)
• Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
  AIによる薬物発見の大きな課題は、高品質なデータの不足である。 薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。 実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
  論文  参考訳（メタデータ） (2024-04-16T07:42:55Z)
• Improved Genetic Algorithm Based on Greedy and Simulated Annealing Ideas for Vascular Robot Ordering Strategy [7.51372615162241]
  本研究では,医療環境におけるABLVR血管ロボットの獲得,利用,維持を最適化するための包括的アプローチを提案する。 ダイナミックな医療環境を考えると、ロボット船やオペレーターのためのロバストな資源配分モデルを含む。 演算子に対する適応学習プロセスのユニークな要件と,ロボット部品のメンテナンスニーズを取り入れた。
  論文  参考訳（メタデータ） (2024-03-28T15:14:03Z)
• A hybrid quantum-classical fusion neural network to improve protein-ligand binding affinity predictions for drug discovery [0.0]
  本稿では,薬物発見における親和性予測に適したハイブリッド量子古典的深層学習モデルを提案する。 具体的には、最適化量子アーキテクチャにおいて、3次元および空間グラフ畳み込みニューラルネットワークを相乗的に統合する。 シミュレーションの結果、既存の古典的モデルと比較して予測精度が6%向上し、従来の古典的手法に比べてはるかに安定した収束性能を示した。
  論文  参考訳（メタデータ） (2023-09-06T11:56:33Z)
• RECOVER: sequential model optimization platform for combination drug repurposing identifies novel synergistic compounds in vitro [46.773794687622825]
  深層学習モデルに適用した逐次モデル最適化探索を用いて,がん細胞株に対して高い相乗効果を持つ薬物の組み合わせを迅速に発見する。 モデルによりクエリされた組み合わせの集合は、非常にシナジスティックな組み合わせに富んでいることがわかった。 臨床的に検討中であることが判明した相乗効果薬の併用が再発見された。
  論文  参考訳（メタデータ） (2022-02-07T02:54:29Z)
• 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)
• Optimizing Molecules using Efficient Queries from Property Evaluations [66.66290256377376]
  汎用的なクエリベースの分子最適化フレームワークであるQMOを提案する。 QMOは効率的なクエリに基づいて入力分子の所望の特性を改善する。 QMOは, 有機分子を最適化するベンチマークタスクにおいて, 既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-03T18:51:18Z)

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。