Fugu-MT 論文翻訳(概要): Medication Recommendation via Dual Molecular Modalities and Multi-Substructure Distillation

論文の概要: Medication Recommendation via Dual Molecular Modalities and Multi-Substructure Distillation

arxiv url: http://arxiv.org/abs/2405.20358v1
Date: Thu, 30 May 2024 07:13:08 GMT
ステータス: 処理完了
システム内更新日: 2024-06-03 18:44:15.887147
Title: Medication Recommendation via Dual Molecular Modalities and Multi-Substructure Distillation
Title（参考訳）: 二重分子モダリティとマルチサブストラクチャー蒸留による医薬勧告
Authors: Shi Mu, Shunpan Liang, Xiang Li,
Abstract要約: 医薬推奨は、患者の医療履歴とバイオメディカル知識を組み合わせることで、医師が薬の組合せをより正確かつ安全に決定するのを手助けする。分子知識に基づく既存のアプローチは、分子の原子的幾何学構造を見落とし、薬の高次元的特性と本質的な物理的性質を捉えられなかった。 3次元分子構造と原子特性を組み込んだBiMoRecを提案する。
参考スコア（独自算出の注目度）: 5.027701313370709
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Medication recommendation combines patient medical history with biomedical knowledge to assist doctors in determining medication combinations more accurately and safely. Existing approaches based on molecular knowledge overlook the atomic geometric structure of molecules, failing to capture the high-dimensional characteristics and intrinsic physical properties of medications, leading to structural confusion and the inability to extract useful substructures from individual patient visits. To address these limitations, we propose BiMoRec, which overcomes the inherent lack of molecular essential information in 2D molecular structures by incorporating 3D molecular structures and atomic properties. To retain the fast response required of recommendation systems, BiMoRec maximizes the mutual information between the two molecular modalities through bimodal graph contrastive learning, achieving the integration of 2D and 3D molecular graphs, and finally distills substructures through interaction with single patient visits. Specifically, we use deep learning networks to construct a pre-training method to obtain representations of 2D and 3D molecular structures and substructures, and we use contrastive learning to derive mutual information. Subsequently, we generate fused molecular representations through a trained GNN module, re-determining the relevance of substructure representations in conjunction with the patient's clinical history information. Finally, we generate the final medication combination based on the extracted substructure sequences. Our implementation on the MIMIC-III and MIMIC-IV datasets demonstrates that our method achieves state-of-the-art performance. Compared to the next best baseline, our model improves accuracy by 1.8\% while maintaining the same level of DDI as the baseline.
Abstract（参考訳）: 医薬推奨は、患者の医療履歴とバイオメディカル知識を組み合わせることで、医師が薬の組合せをより正確かつ安全に決定するのを手助けする。分子知識に基づく既存のアプローチは、分子の原子的幾何学的構造を見落とし、薬品の高次元的特徴と本質的な物理的特性を捉えることができず、構造的混乱と患者個々の訪問から有用なサブ構造を抽出することができない。これらの制約に対処するために,3次元分子構造と原子の性質を組み込むことにより,2次元分子構造における分子の本質的な情報の欠如を克服するBiMoRecを提案する。 BiMoRecは、レコメンデーションシステムに必要な迅速な応答を維持するために、2次元および3次元の分子グラフの統合を達成し、2つの分子モード間の相互情報を最大化し、最終的には単一の患者訪問と相互作用してサブ構造を蒸留する。具体的には、深層学習ネットワークを用いて2次元および3次元分子構造とサブ構造の表現を得るための事前学習手法を構築し、コントラスト学習を用いて相互情報を導出する。その後,訓練したGNNモジュールを通じて融合した分子表現を生成し,患者の臨床履歴情報とともにサブ構造表現の関連性を再決定する。最後に,抽出したサブ構造配列に基づいて最終薬品の組み合わせを生成する。 MIMIC-IIIおよびMIMIC-IVデータセットの実装により,本手法が最先端の性能を実現することを示す。次の最良ベースラインと比較して、ベースラインと同じDDIを維持しながら精度を1.8\%向上させる。

関連論文リスト

UniIF: Unified Molecule Inverse Folding [67.60267592514381]
全分子の逆折り畳みのための統一モデルUniIFを提案する。提案手法は,全タスクにおける最先端手法を超越した手法である。
論文参考訳（メタデータ） (2024-05-29T10:26:16Z)
Molecule Joint Auto-Encoding: Trajectory Pretraining with 2D and 3D Diffusion [19.151643496588022]
分子ジョイントオートエンコーディング(分子JAE)の事前学習法を提案する。 MoleculeJAEは2D結合(トポロジー)と3D配座(幾何学)の両方の情報を学習することができる。 MoleculeJAEは、20タスク中15タスクで最先端のパフォーマンスに到達することで、その効果を実証している。
論文参考訳（メタデータ） (2023-12-06T12:58:37Z)
MultiModal-Learning for Predicting Molecular Properties: A Framework Based on Image and Graph Structures [2.5563339057415218]
MolIGは、画像とグラフ構造に基づいて分子特性を予測するための、新しいMultiModaL分子事前学習フレームワークである。両者の分子表現の強さを融合させる。ベンチマークグループ内の分子特性予測に関連する下流タスクでは、パフォーマンスが向上する。
論文参考訳（メタデータ） (2023-11-28T10:28:35Z)
Learning Over Molecular Conformer Ensembles: Datasets and Benchmarks [44.934084652800976]
コンフォーマーアンサンブルを用いた学習の可能性を徹底的に評価するための,最初のMoleculAR Conformer Ensemble Learningベンチマークを導入する。その結果,コンバータ空間からの直接学習は,様々なタスクやモデルの性能を向上させることができることがわかった。
論文参考訳（メタデータ） (2023-09-29T20:06:46Z)
Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [55.42602325017405]
本稿では,分子の2レベル構造を考慮した新しいGODE法を提案する。異なるグラフ構造上で2つのグラフニューラルネットワーク(GNN)を事前訓練し、対照的な学習と組み合わせることで、GODEは分子構造を対応する知識グラフサブ構造と融合させる。 11の化学特性タスクを微調整した場合、我々のモデルは既存のベンチマークよりも優れており、分類タスクの平均ROC-AUCアップリフトは13.8%、回帰タスクの平均RMSE/MAEエンハンスメントは35.1%である。
論文参考訳（メタデータ） (2023-06-02T15:49:45Z)
MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
論文参考訳（メタデータ） (2023-04-28T04:25:57Z)
An Equivariant Generative Framework for Molecular Graph-Structure Co-Design [54.92529253182004]
分子グラフ構造アンダーラインCo設計のための機械学習ベースの生成フレームワークであるMollCodeを提案する。 MolCodeでは、3D幾何情報によって分子2Dグラフの生成が促進され、それによって分子3D構造の予測が導かれる。分子設計における2次元トポロジーと3次元幾何は本質的に相補的な情報を含んでいることが明らかとなった。
論文参考訳（メタデータ） (2023-04-12T13:34:22Z)
Multi-view deep learning based molecule design and structural optimization accelerates the SARS-CoV-2 inhibitor discovery [10.974317147338303]
分子生成, 構造最適化, およびSARS-CoV-2インヒビターディスコリピーのためのMulti-viEw Deep生成モデルであるMEDICOを提案する。評価実験の結果,MEDICOは, 有効, 特異, 新規な分子を生成する上で, 最先端の手法を著しく上回っていることがわかった。 SARS-CoV-2主プロテアーゼ(Mpro)の標的分子生成に関するケーススタディでは、分子ドッキングをケミカルプライオリとしてモデルに組み込むことで、Mproにドラッグライクな性質を持つ新しい小さな分子を生成できることが示され、コビッドのデノボ設計が加速される可能性が示唆された。
論文参考訳（メタデータ） (2022-12-03T08:21:13Z)
Improving Molecular Pretraining with Complementary Featurizations [20.86159731100242]
分子プレトレーニング(英: molecular pretraining)は、計算化学と薬物発見における様々な課題を解決するためのパラダイムである。化学情報を異なる方法で伝達できることが示される。我々は, 簡易で効果的な分子事前学習フレームワーク(MOCO)を提案する。
論文参考訳（メタデータ） (2022-09-29T21:11:09Z)
A Molecular Multimodal Foundation Model Associating Molecule Graphs with Natural Language [63.60376252491507]
本稿では,分子グラフとその意味的関連テキストデータから事前学習した分子マルチモーダル基礎モデルを提案する。我々のモデルは、生物学、化学、材料、環境、医学などの分野において、AIを動力とする分野に幅広い影響を与えるだろうと考えています。
論文参考訳（メタデータ） (2022-09-12T00:56:57Z)
Graph-based Molecular Representation Learning [59.06193431883431]
分子表現学習(MRL)は、機械学習と化学科学を結びつけるための重要なステップである。近年、MRLは、特に深層分子グラフ学習に基づく手法において、かなりの進歩を遂げている。
論文参考訳（メタデータ） (2022-07-08T17:43:20Z)

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。