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
- CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
本研究は認知拡散確率モデル(CogDPM)を紹介する。
CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。
我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
論文 参考訳(メタデータ) (2024-05-03T15:54:50Z) - 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 [7.9616631073263715]
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) - Quantum Computing-Enhanced Algorithm Unveils Novel Inhibitors for KRAS [10.732020360180773]
我々は16量子ビットのIBM量子コンピュータでトレーニングされた量子アルゴリズムのパワーをシームレスに統合する量子古典的生成モデルを導入する。
我々の研究は、実験で確認された生物学的ヒットを生み出すために量子生成モデルを使用した初めてのものである。
論文 参考訳(メタデータ) (2024-02-13T04:19:06Z) - 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) - Interpreting the Mechanism of Synergism for Drug Combinations Using
Attention-Based Hierarchical Graph Pooling [10.898133007285638]
我々は、基礎となる根本的治療目標と相乗効果(MoS)のメカニズムを明らかにする解釈可能なグラフニューラルネットワーク(GNN)を開発した。
提案したGNNモデルは、検出された重要なサブ分子ネットワークに基づいて、薬物結合の相乗効果を予測し、解釈する体系的な方法を提供する。
論文 参考訳(メタデータ) (2022-09-19T11:18:45Z) - Translational Quantum Machine Intelligence for Modeling Tumor Dynamics
in Oncology [18.069876260017605]
量子マシンインテリジェンス(Quantum Machine Intelligence)は、量子力学の観点からの腫瘍力学の非並列的な洞察を提供する。
本稿では,治療効果に関する腫瘍負担の量子力学を定量化する,$eta-$Netという新しいハイブリッド量子古典型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) (2022-02-21T08:46:58Z) - 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。