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

• arxiv url: http://arxiv.org/abs/2405.20358v4
• Date: Tue, 12 Nov 2024 05:29:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-13 13:16:16.530080
• Title: Medication Recommendation via Dual Molecular Modalities and Multi-Step Enhancement
• Title（参考訳）: 二重分子モダリティと多段階増強による医薬勧告
• Authors: Shi Mu, Chen Li, Xiang Li, Shunpan Liang,
• Abstract要約: 既存の分子知識に基づく研究は、分子の3次元幾何学構造を無視し、医薬品の高次元情報を学ぶのに失敗している。 本稿では,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。
• 参考スコア（独自算出の注目度）: 6.927266015351967
• License:
• Abstract: 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. Additionally, we designed a molecular multi-step enhancement mechanism to re-calibrate the molecular weights. Specifically, we employ a pre-training method that captures both 2D and 3D molecular structure representations, along with substructure representations, and leverages contrastive learning to extract mutual information. We then use the pre-trained encoder to generate molecular representations, enhancing them through a three-step process: intra-visit, molecular per-visit, and latest-visit. Finally, we apply temporal information aggregation to generate the final medication combinations. Our implementation on the MIMIC-III and MIMIC-IV datasets demonstrates that our method achieves state-of-the-art performance.
• Abstract（参考訳）: 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次元分子グラフと3次元分子グラフの融合を達成し,両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。 さらに,分子量を再校正する分子多段階増強機構を設計した。 具体的には,2次元および3次元の分子構造表現とサブ構造表現を抽出し,コントラスト学習を利用して相互情報を抽出する事前学習手法を用いる。 次に、事前学習したエンコーダを用いて分子表現を生成し、3段階のプロセス(intra-visit, molecular per-visit, latest-visit)で拡張する。 最後に、最終薬品の組み合わせを生成するために、時間情報集約を適用します。 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。

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。