論文の概要: drGT: Attention-Guided Gene Assessment of Drug Response Utilizing a Drug-Cell-Gene Heterogeneous Network

• arxiv url: http://arxiv.org/abs/2405.08979v2
• Date: Wed, 27 Aug 2025 20:36:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:01.479357
• Title: drGT: Attention-Guided Gene Assessment of Drug Response Utilizing a Drug-Cell-Gene Heterogeneous Network
• Title（参考訳）: DrGT:医薬品細胞由来不均一ネットワークを利用した薬物応答の注意誘導遺伝子評価
• Authors: Yoshitaka Inoue, Hunmin Lee, Tianfan Fu, Augustin Luna,
• Abstract要約: drGTは、注意係数(AC)を用いたバイオマーカー識別の感度と支援を予測するグラフ深層学習モデルである このモデルは、Sanger GDSC、NCI60、Broad CTRPという、幅広い薬物やがん細胞株をカバーする主要なベンチマークデータセットを使用して、トレーニングされ、評価されている。
• 参考スコア（独自算出の注目度）: 8.664433151000255
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A challenge in drug response prediction is result interpretation compared to established knowledge. drGT is a graph deep learning model that predicts sensitivity and aids in biomarker identification using attention coefficients (ACs). drGT leverages a heterogeneous graph composed of relationships drawn from drugs, genes, and cell line responses. The model is trained and evaluated using major benchmark datasets: Sanger GDSC, NCI60, and Broad CTRP, which cover a wide range of drugs and cancer cell lines. drGT demonstrates AUROC of up to 94.5% under random splitting, 84.4% for unseen drugs, and 70.6% for unseen cell lines, comparable to existing benchmark methods while also providing interpretability. Regarding interpretability, we review drug-gene co-occurrences by text-mining PubMed abstracts for high-coefficient genes mentioning particular drugs. Across 976 drugs from NCI60 with known drug-target interactions (DTIs), model predictions utilized both known DTIs (36.9%) as well as additional predictive associations, many supported by literature. In addition, we compare the drug-gene associations identified by drGT with those from an established DTI prediction model and find that 63.67% are supported by either PubMed literature or predictions from the DTI model. Further, we describe the utilization of ACs to identify affected biological processes by each drug via enrichment analyses, thereby enhancing biological interpretability. Code is available at https://github.com/sciluna/drGT.
• Abstract（参考訳）: 薬物反応予測の課題は、確立された知識と比較して結果の解釈である。 drGTは、注意係数(AC)を用いたバイオマーカー識別の感度と支援を予測するグラフ深層学習モデルである。 drGTは、薬物、遺伝子、および細胞株の反応から引き出された関係からなる異種グラフを利用する。 このモデルは、Sanger GDSC、NCI60、Broad CTRPという、幅広い薬物やがん細胞株をカバーする主要なベンチマークデータセットを使用して、トレーニングされ、評価されている。 drGTはAUROCを94.5%のランダムスプリットで、84.4%は未確認の薬物、70.6%は未確認の細胞株で、既存のベンチマーク手法に匹敵する。 解釈可能性に関しては,特定の薬物に言及した高効率遺伝子に対するPubMedのテキストマイニングによる薬物遺伝子共起を概観する。 NCI60の976種類の薬物と既知の薬物-標的相互作用 (DTI) は、既知のDTI (36.9%) と追加の予測関連を利用しており、その多くは文献によって支持されている。 また,DTI予測モデルとDrGTで同定された薬物遺伝子関連性を比較したところ,63.67%がPubMedの文献やDTIモデルからの予測によって支えられていることがわかった。 さらに,各薬剤による生物学的プロセスの同定におけるACの利用について,濃縮分析により検討し,生物学的解釈性の向上を図る。 コードはhttps://github.com/sciluna/drGT.comで入手できる。

関連論文リスト

• scGSDR: Harnessing Gene Semantics for Single-Cell Pharmacological Profiling [5.831554646284266]
  scGSDRは、細胞状態と遺伝子シグナル伝達経路の知識に基づく2つの計算パイプラインを統合するモデルである。 scGSDRは、遺伝子セマンティクスを組み込んで予測性能を高め、解釈可能性モジュールを使用する。 モデルはシングルドラッグの予測からドラッグの組み合わせを含むシナリオまで拡張された。
  論文  参考訳（メタデータ） (2025-02-02T15:43:20Z)
• KITE-DDI: A Knowledge graph Integrated Transformer Model for accurately predicting Drug-Drug Interaction Events from Drug SMILES and Biomedical Knowledge Graph [0.11049608786515838]
  薬物と薬物の相互作用(DDI)は、身体の損傷や死に至ることがある。 DDIイベントを予測するための現代の研究は、バイオメディカル知識グラフ(KG)または薬物SMILESの情報に依存する。 本研究では,エンドツーエンドの完全自動機械学習パイプラインを生成するために,KG統合トランスフォーマーアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-12-08T00:49:57Z)
• GramSeq-DTA: A grammar-based drug-target affinity prediction approach fusing gene expression information [1.2289361708127877]
  薬物や標的の構造情報と化学摂動情報を統合するGramSeq-DTAを提案する。 我々の手法は、広く使われているDTAデータセットで検証された場合、現在の最先端のDTA予測モデルよりも優れている。
  論文  参考訳（メタデータ） (2024-11-03T03:17:09Z)
• MOTIVE: A Drug-Target Interaction Graph For Inductive Link Prediction [0.29998889086656577]
  本稿では,11,000遺伝子と3,600化合物のセルペイント機能を有する形態的cOmpoundターゲット相互作用グラフであるMOTIVEについて紹介する。 我々は、現実的なユースケース下で厳密な評価を可能にするために、ランダムでコールドソース(新薬)とコールドターゲット(新遺伝子)データを分割する。 ベンチマークの結果,Cell Painting機能を用いたグラフニューラルネットワークは,グラフ構造のみから学習したニューラルネットワークよりも一貫して優れていた。
  論文  参考訳（メタデータ） (2024-06-12T21:18:14Z)
• 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)
• Learning to Denoise Biomedical Knowledge Graph for Robust Molecular Interaction Prediction [50.7901190642594]
  分子間相互作用予測のためのバイオKDN (Biomedical Knowledge Graph Denoising Network) を提案する。 BioKDNは、ノイズの多いリンクを学習可能な方法で識別することで、局所的な部分グラフの信頼性の高い構造を洗練する。 ターゲットの相互作用に関する関係を円滑にすることで、一貫性とロバストなセマンティクスを維持する。
  論文  参考訳（メタデータ） (2023-12-09T07:08:00Z)
• Emerging Drug Interaction Prediction Enabled by Flow-based Graph Neural Network with Biomedical Network [69.16939798838159]
  本稿では,新興医薬品の相互作用を効果的に予測できるグラフニューラルネットワーク(GNN)であるEmerGNNを提案する。 EmerGNNは、薬物ペア間の経路を抽出し、ある薬物から他の薬物へ情報を伝達し、関連する生物学的概念を経路に組み込むことで、薬物のペアワイズ表現を学習する。 全体として、EmerGNNは、新興薬物の相互作用を予測する既存のアプローチよりも精度が高く、バイオメディカルネットワーク上で最も関連性の高い情報を特定できる。
  論文  参考訳（メタデータ） (2023-11-15T06:34:00Z)
• Causal Intervention for Measuring Confidence in Drug-Target Interaction Prediction [17.91458766354762]
  我々は、知識マッピングを核となる技術として、薬物と標的の相互作用の問題に焦点をあてる。 因果介入に基づく信頼度尺度を用いて、三重項スコアを評価し、薬物-標的相互作用予測モデルの精度を向上させる。
  論文  参考訳（メタデータ） (2023-05-31T13:13:45Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• DDoS: A Graph Neural Network based Drug Synergy Prediction Algorithm [0.521420263116111]
  薬物相乗効果予測のためのグラフニューラルネットワーク(textitGNN)モデルを提案する。 従来のモデルとは対照的に、我々のGNNベースのアプローチは、薬物のグラフ構造から直接タスク特異的な薬物表現を学習する。 我々の研究は、タスク固有の薬物表現を学習し、多様なデータセットを活用することが、薬物と薬物の相互作用とシナジーの理解を深めるための有望なアプローチであることを示唆している。
  論文  参考訳（メタデータ） (2022-10-03T10:16:29Z)
• 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)
• Relational graph convolutional networks for predicting blood-brain barrier penetration of drug molecules [12.041672273431994]
  薬物分子のBBB透過能の評価は、脳薬物開発における重要なステップである。 関連グラフ畳み込みネットワーク(RGCN)を用いて,各薬剤の特徴だけでなく,薬物とタンパク質の関係も扱う。 この性能はすでに有望であり、BBB透過性の予測において、薬物-タンパク質/ドラッグ関係が重要な役割を担っていることを証明した。
  論文  参考訳（メタデータ） (2021-07-04T15:56:02Z)
• Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug Response [49.86828302591469]
  本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。 我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。 アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
  論文  参考訳（メタデータ） (2020-05-13T20:29:48Z)

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。