論文の概要: DeepCRE: Revolutionizing Drug R&D with Cutting-Edge Computational Models
- arxiv url: http://arxiv.org/abs/2403.03768v1
- Date: Wed, 6 Mar 2024 15:03:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-07 14:46:48.641995
- Title: DeepCRE: Revolutionizing Drug R&D with Cutting-Edge Computational Models
- Title（参考訳）: DeepCRE: カットエッジ計算モデルによるドラッグR&Dの革新
- Authors: Yushuai Wu
- Abstract要約: 本稿では,より優れた治療効果を有する薬物候補を特定するために,DeepCREという新しい計算モデルを提案する。
DeepCREは、患者レベルのCREで平均17.7%のパフォーマンス向上を達成することで、既存の最高のモデルより優れている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The field of pharmaceutical development and therapeutic application both face
substantial challenges. Therapeutic domain calls for more treatment
alternatives while numerous promising pre-clinical drugs fail in clinical
trails. One of the reasons is the inadequacy of Cross-drug Response Evaluation
(CRE) during the late stage of drug development. Although in-silico CRE models
offer a solution to this problem, existing methodologies are either limited to
early development stages or lack the capacity for a comprehensive CRE analysis.
Herein, we introduce a novel computational model named DeepCRE and present the
potential of DeepCRE in advancing therapeutic discovery and development.
DeepCRE outperforms the existing best models by achieving an average
performance improvement of 17.7\% in patient-level CRE, and a 5-fold increase
in indication-level CRE. Furthermore, DeepCRE has identified six drug
candidates that show significantly greater effectiveness than a comparator set
of two approved drug in 5/8 colorectal cancer (CRC) organoids. This highlights
DeepCRE's ability to identify a collection of drug candidates with superior
therapeutic effects, underscoring its potential to revolutionize the field of
therapeutic development.
- Abstract（参考訳）: 医薬品開発と治療の分野はどちらも大きな課題に直面している。
治療領域はより多くの治療法を要求され、多くの有望な前臨床薬は臨床経過で失敗する。
その原因の1つは、薬物開発後期におけるクロスドラッグ反応評価(cre)の不十分さである。
in-silico creモデルはこの問題に対する解決策を提供するが、既存の方法論は初期開発段階に限定するか、包括的なcre分析の能力に欠ける。
本稿では、DeepCREという新しい計算モデルを紹介し、DeepCREが治療の発見と開発を進展させる可能性を示す。
deepcreは、患者レベルのcreで平均17.7\%、適応レベルのcreで5倍のパフォーマンス向上を達成して、既存のベストモデルを上回る。
さらに、DeepCREは5/8大腸癌(CRC)オルガノイドの2つの承認された薬物のコンパレータセットよりもはるかに有効である6つの薬物候補を同定した。
このことは、DeepCREが優れた治療効果を持つ薬物候補の収集を識別する能力を強調し、治療開発分野に革命をもたらす可能性を強調している。
関連論文リスト
- Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。
回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
論文 参考訳（メタデータ） (2024-05-23T13:22:17Z) - Zero-shot Learning of Drug Response Prediction for Preclinical Drug
Screening [38.94493676651818]
ゼロショット学習ソリューションを提案する。
予防的薬物スクリーニングの課題です
具体的には、MSDAと呼ばれるマルチブランチマルチソースドメイン適応テスト拡張プラグインを提案する。
論文 参考訳（メタデータ） (2023-10-05T05:55:41Z) - Drug Interaction Vectors Neural Network: DrIVeNN [0.7624669864625037]
ポリファーマシー(英: Poly Pharmacy)とは、複数の薬物を同時に併用して単一の疾患を治療することである。
ポリファーマシーに関連する多くの重篤なADEは、薬物の使用後にのみ知られるようになる。
臨床試験において、あらゆる可能な薬物の組み合わせをテストすることは不可能である。
論文 参考訳（メタデータ） (2023-08-26T14:24:41Z) - ADRNet: A Generalized Collaborative Filtering Framework Combining
Clinical and Non-Clinical Data for Adverse Drug Reaction Prediction [49.56476929112382]
逆薬物反応(ADR)予測は、医療と薬物発見において重要な役割を果たす。
ADRNetは、臨床データと非臨床データを組み合わせた一般的な協調フィルタリングフレームワークである。
論文 参考訳（メタデータ） (2023-08-03T11:28:12Z) - A optimization framework for herbal prescription planning based on deep
reinforcement learning [7.995127222099328]
慢性疾患治療のための深層強化学習(PrescDRL)に基づくTCMハーブ処方計画フレームワークを提案する。
PrescDRLは、全てのステップで最大報酬を得るのではなく、長期的な効果に焦点を当てたシーケンシャルなハーバル処方の最適化モデルである。
以上の結果から,PrescDRLは,医師と比較して1段階の報酬が117%,153%改善した。
論文 参考訳（メタデータ） (2023-04-25T13:55:02Z) - Knowledge-Driven New Drug Recommendation [88.35607943144261]
既存の薬物と新薬のギャップを埋めるために, 薬物依存型マルチフェノタイプ数発学習機を開発した。
EDGEは外部薬効知識ベースを用いて偽陰性監視信号を除去する。
その結果, EDGEは, ROC-AUCスコアよりも7.3%向上していることがわかった。
論文 参考訳（メタデータ） (2022-10-11T16:07:52Z) - 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) - SafeDrug: Dual Molecular Graph Encoders for Safe Drug Recommendations [59.590084937600764]
医薬品の分子構造とDDIのモデルを明確に活用するために、SafeDrugというDDI制御可能な薬物推奨モデルを提案する。
ベンチマークデータセットでは、SafeDrugはDDIを19.43%削減し、Jaccardの推奨薬物と実際に処方された薬物の組み合わせの2.88%を改善します。
論文 参考訳（メタデータ） (2021-05-05T00:20:48Z) - MolDesigner: Interactive Design of Efficacious Drugs with Deep Learning [61.74958429818077]
MolDesignerは、ドラッグ開発者のためのヒューマン・イン・ザ・ループ・ウェブ・ユーザ・インタフェース(UI)である。
開発者は、インターフェイスに薬物分子を描画することができる。
バックエンドでは、17以上の最先端のDLモデルが、薬物の有効性に不可欠な重要な指標の予測を生成する。
論文 参考訳（メタデータ） (2020-10-05T21:25:25Z) - When deep learning meets causal inference: a computational framework for
drug repurposing from real-world data [12.68717103979673]
既存の薬物精製法は、ヒトに適用した場合に翻訳上の問題が存在する可能性がある。
薬物再資源化のための複数の候補の生成と試験を行うための,効率的かつ簡便なフレームワークを提案する。
本研究の枠組みは, 冠動脈疾患(CAD)の症例研究において, 55の薬剤候補が各種疾患の予後に及ぼす影響を評価することで実証する。
論文 参考訳（メタデータ） (2020-07-16T21:30:56Z) - Network Medicine Framework for Identifying Drug Repurposing
Opportunities for COVID-19 [6.7410870290301]
現在のパンデミックは、SARS-CoV-2感染の潜在的な効果のために、迅速かつ確実に臨床承認された化合物を優先順位付けできる方法の必要性を強調している。
ここでは,人工知能,ネットワーク拡散,ネットワーク近接に頼ったアルゴリズムをデプロイし,SARS-CoV-2に対する効果を期待して,それぞれ6,340の薬物をランク付けする。
ほとんどのアルゴリズムは、これらの基底真理データに対して予測力を提供するが、すべてのデータセットやメトリクスに対して一貫した信頼性のある結果を提供する方法は存在しない。
論文 参考訳（メタデータ） (2020-04-15T17:40:29Z)
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。