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

• arxiv url: http://arxiv.org/abs/2405.20358v2
• Date: Tue, 9 Jul 2024 03:13:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-10 23:11:39.357872
• Title: Medication Recommendation via Dual Molecular Modalities and Multi-Substructure Enhancement
• Title（参考訳）: 二重分子のモダリティとマルチサブストラクチャー・エンハンスメントによる医薬勧告
• Authors: Shi Mu, Shunpan Liang, Xiang Li,
• Abstract要約: 分子知識に基づく既存の研究は、分子の3次元幾何学構造を無視している。 原子3次元座標とエッジインデックスを得るために3次元分子構造を導入するBiMoRecを提案する。 深層学習ネットワークを用いて,2次元および3次元分子構造表現とサブ構造表現を取得する事前学習手法を構築した。
• 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 works based on molecular knowledge neglect the 3D geometric structure of molecules and fail to learn the high-dimensional information of medications, leading to structural confusion. Additionally, it does not extract key substructures from a single patient visit, resulting in the failure to identify medication molecules suitable for the current patient visit. To address the above limitations, we propose a bimodal molecular recommendation framework named BiMoRec, which introduces 3D molecular structures to obtain atomic 3D coordinates and edge indices, overcoming the inherent lack of high-dimensional molecular information in 2D molecular structures. To retain the fast training and prediction efficiency of the recommendation system, we use bimodal graph contrastive pretraining to maximize the mutual information between the two molecular modalities, achieving the fusion of 2D and 3D molecular graphs and re-evaluating substructures at the visit level. Specifically, we use deep learning networks to construct a pretraining method that acquires 2D and 3D molecular structure representations and substructure representations, and obtain mutual information through contrastive learning. We then generate fused molecular representations using the trained GNN module and re-determine the relevance of substructure representations in combination with the patient's clinical history. 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 second-best baseline, our model improves accuracy by 2.07%, with DDI at the same level 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。 既存の分子知識に基づく研究は、分子の3次元幾何学的構造を無視し、医薬品の高次元情報を学ぶのに失敗し、構造的混乱をもたらす。 さらに、単一の患者訪問から重要なサブ構造を抽出せず、その結果、現在の患者訪問に適した薬物分子の同定に失敗する。 本稿では,2次元分子構造における高次元分子情報の欠如を克服し,原子3次元座標とエッジ指標を得るために3次元分子構造を導入するBiMoRecという2次元分子レコメンデーションフレームワークを提案する。 推薦システムの高速なトレーニングと予測効率を維持するため,2次元および3次元の分子グラフの融合と訪問レベルでのサブ構造の再評価を達成し,2次元の分子モード間の相互情報を最大化するために,両モードグラフのコントラスト事前学習を用いる。 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次元分子構造表現とサブ構造表現を取得する事前学習手法を構築し、対照的な学習を通して相互情報を得る。 そして, トレーニングしたGNNモジュールを用いて融合分子表現を生成し, 患者の臨床歴と組み合わせて, 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。 2番目のベースラインに比べて精度は2.07%向上し,DDIはベースラインと同じレベルに向上した。

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)
• Molecular Identification via Molecular Fingerprint extraction from Atomic Force Microscopy images [0.0]
  深層学習モデルは、一定の高さのHR-AFM画像の3Dスタックに符号化された化学情報や構造情報を検索することができる。 本研究では, トポロジカルフィンガーによる分子構造記述の確立により, それらの限界を克服する。 指紋による仮想検診を他のDLモデルによって提供されるグローバルな情報で補完することは可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-07T13:47:35Z)
• DecompDiff: Diffusion Models with Decomposed Priors for Structure-Based Drug Design [62.68420322996345]
  既存の構造に基づく薬物設計法は、すべての配位子原子を等しく扱う。 腕と足場を分解した新しい拡散モデルDecompDiffを提案する。 提案手法は,高親和性分子の生成における最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-02-26T05:21:21Z)
• Learning Over Molecular Conformer Ensembles: Datasets and Benchmarks [45.9401235464876]
  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)
• Unified Molecular Modeling via Modality Blending [35.16755562674055]
  我々は,新しい「Blund-then-predict」自己教師型学習法(MoleBLEND)を導入する。 MoleBLENDは、異なるモジュラリティからの原子関係をマトリックス符号化のための1つの統一された関係にブレンドし、2D構造と3D構造の両方のモダリティ固有情報を復元する。 実験によると、MoleBLENDは主要な2D/3Dベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-07-12T15:27:06Z)
• 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)
• Generation of 3D Molecules in Pockets via Language Model [0.0]
  逐次線記法(SMILES)やグラフ表現に基づく分子の生成モデルは、構造に基づく薬物設計の分野への関心が高まっている。 本稿では,言語モデルと幾何学的深層学習技術を組み合わせたポケットベースの3次元分子生成手法であるLingo3DMolを紹介する。
  論文  参考訳（メタデータ） (2023-05-17T11:31:06Z)
• 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)
• Confidence-guided Lesion Mask-based Simultaneous Synthesis of Anatomic and Molecular MR Images in Patients with Post-treatment Malignant Gliomas [65.64363834322333]
  信頼性ガイドSAMR(CG-SAMR)は、病変情報からマルチモーダル解剖学的配列にデータを合成する。 モジュールは中間結果に対する信頼度測定に基づいて合成をガイドする。 実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-08-06T20:20:22Z)

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。