論文の概要: DFDRNN: A dual-feature based neural network for drug repositioning
- arxiv url: http://arxiv.org/abs/2407.11812v1
- Date: Tue, 16 Jul 2024 15:02:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-17 14:23:08.637912
- Title: DFDRNN: A dual-feature based neural network for drug repositioning
- Title(参考訳): 薬物再配置のための二重機能ニューラルネットワークDFDRNN
- Authors: Enqiang Zhu, Xiang Li, Chanjuan Liu, Nikhil R. Pal,
- Abstract要約: 薬物再配置は経済的に効率的な戦略であり、既存の薬物に対する新しい表示を、当初の承認を超えて発見するために用いられる。
我々は、薬物や疾患の正確なエンコーディングを実現するために、二重機能麻薬再配置ニューラルネットワークモデルを設計する。
6つの最先端の手法と比較して、DFDRNNは4つのベンチマークデータセットで他よりも優れている。
- 参考スコア(独自算出の注目度): 9.721502993958193
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Drug repositioning is an economically efficient strategy used to discover new indications for existing drugs beyond their original approvals, expanding their applicability and usage to address challenges in disease treatment. In recent years, deep-learning techniques for drug repositioning have gained much attention. While most deep learning-based research methods focus on encoding drugs and diseases by extracting feature information from neighbors in the network, they often pay little attention to the potential relationships between the features of drugs and diseases, leading to imprecise encoding of drugs and diseases. To address this, we design a dual-feature drug repositioning neural network (DFDRNN) model to achieve precise encoding of drugs and diseases. DFDRNN uses two features to represent drugs and diseases: the similarity feature and the association feature. The model incorporates a self-attention mechanism to design two dual-feature extraction modules for achieving precisely encoding of drugs and diseases: the intra-domain dual-feature extraction (IntraDDFE) module and the inter-domain dual-feature extraction (InterDDFE) module. The IntraDDFE module extracts features from a single domain (drug or disease domain), while the InterDDFE module extracts features from the mixed domain (drug and disease domain). In particular, the feature is changed by InterDDFE, ensuring a precise encoding of drugs and diseases. Finally, a cross-dual-domain decoder is designed to predict drug-disease associations in both the drug and disease domains. Compared to six state-of-the-art methods, DFDRNN outperforms others on four benchmark datasets, with an average AUROC of 0.946 and an average AUPR of 0.597.
- Abstract(参考訳): 薬物再配置は経済的に効率的な戦略であり、既存の薬物に対する新しい表示を元の承認を超えて発見し、病気治療の課題に対処するためにその適用性と使用を拡大するために用いられる。
近年, 薬物再沈着の深層学習技術が注目されている。
ディープラーニングに基づくほとんどの研究手法は、ネットワーク内の隣人から特徴情報を抽出することで、薬物や病気を符号化することに焦点を当てているが、薬物や病気の特徴と潜在的な関係にはほとんど注意を払わないことが多い。
そこで我々は、薬物や疾患の正確なエンコーディングを実現するために、二重機能麻薬再配置ニューラルネットワーク(DFDRNN)モデルを設計した。
DFDRNNは、類似性機能と関連機能という2つの特徴を使って、薬物と疾患を表現している。
このモデルは、薬物や疾患を正確にエンコードするための2つの二重機能抽出モジュールを設計するための自己注意機構を組み込んでおり、ドメイン内二重機能抽出(IntraDDFE)モジュールとドメイン間二重機能抽出(InterDDFE)モジュールである。
DDFEモジュールは単一のドメイン(ドラッグまたは疾患ドメイン)から特徴を抽出し、InterDDFEモジュールは混合ドメイン(ドラッグと疾患ドメイン)から特徴を抽出する。
特に、この機能はInterDDFEによって変更され、薬物や疾患の正確なエンコーディングが保証される。
最後に、クロスデュアルドメインデコーダは、薬物ドメインと疾患ドメインの両方における薬物放出関連を予測するように設計されている。
6つの最先端手法と比較して、DFDRNNは4つのベンチマークデータセットで他よりも優れており、平均AUROCは0.946、平均AUPRは0.597である。
関連論文リスト
- Learning to Describe for Predicting Zero-shot Drug-Drug Interactions [54.172575323610175]
薬物と薬物の相互作用は同時投与の有効性を損なう可能性がある。
従来のDDI予測の計算手法では、知識不足のため、新しい薬物の相互作用を捉えることができない可能性がある。
言語モデルに基づくDDI予測器と強化学習(RL)に基づく情報セレクタを用いたテキストDDIを提案する。
論文 参考訳(メタデータ) (2024-03-13T09:42:46Z) - Modeling Path Importance for Effective Alzheimer's Disease Drug
Repurposing [8.153491945775734]
薬物再資源化のための新しいネットワーク方式 MPI (Modeling Path Importance) を提案する。
MPIは学習ノードの埋め込みを通じて重要なパスを優先し、ネットワークの豊富な構造情報を効果的にキャプチャする。
上位50の薬物のうち、MPIは、基準値よりも20.0%の薬物を抗AD抗体で優先している。
論文 参考訳(メタデータ) (2023-10-23T17:24:11Z) - Source-Free Domain Adaptation for Medical Image Segmentation via
Prototype-Anchored Feature Alignment and Contrastive Learning [57.43322536718131]
医用画像セグメンテーションのための2段階のソースフリードメイン適応(SFDA)フレームワークを提案する。
プロトタイプアンコールされた特徴アライメントの段階では,まず,事前学習した画素ワイド分類器の重みを原プロトタイプとして利用する。
そこで,本研究では,目標となる特徴とクラスプロトタイプとの整合性を期待するコストを最小化し,双方向輸送を導入する。
論文 参考訳(メタデータ) (2023-07-19T06:07:12Z) - 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) - 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) - AttentionDDI: Siamese Attention-based Deep Learning method for drug-drug
interaction predictions [0.9176056742068811]
薬物と薬物の相互作用(DDIs)は、2つ以上の薬物の投与によって引き起こされるプロセスを指し、薬物が自分自身によって投与されるときに観察されるものを超える副作用をもたらす。
大量の薬物対が存在するため、すべての組み合わせを実験的にテストし、以前は観測されていなかった副作用を発見することはほとんど不可能である。
本稿では,複数の薬物類似度尺度を統合するddi予測のためのsiamese self-attention multi-modal neural networkを提案する。
論文 参考訳(メタデータ) (2020-12-24T13:33:07Z) - Two Step Joint Model for Drug Drug Interaction Extraction [82.49278654043577]
薬物と薬物の相互作用 (DDI) テキスト分析会議 (TAC) 2018における薬物ラベルからの抽出
本稿では,DDI検出のための2段階関節モデルを提案する。
シーケンスタギングシステム(CNN-GRUエンコーダデコーダ)は、まず沈殿剤を発見し、その微細なトリガーを探索し、第2ステップで沈殿剤毎のDDIを決定する。
論文 参考訳(メタデータ) (2020-08-28T15:30:08Z) - Hybrid Attentional Memory Network for Computational drug repositioning [0.0]
コールドスタート問題は、常に計算薬物再配置の分野で大きな課題であった。
本稿では,CFモデルの2つのクラスを非線形に結合した階層型アーキテクチャであるHAMNモデルを提案する。
提案するHAMNモデルは、AUC, AUPR, HR指標により、他の比較モデルよりも優れている。
論文 参考訳(メタデータ) (2020-06-12T02:12:32Z) - 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) - Drug-Drug Interaction Prediction with Wasserstein Adversarial
Autoencoder-based Knowledge Graph Embeddings [22.562175708415392]
薬物・薬物相互作用のための知識グラフ埋め込みフレームワークを提案する。
本フレームワークでは, 高品質な負のサンプルを生成するために, オートエンコーダを用いる。
判別器は、正三重項と負三重項の両方に基づいて薬物と相互作用の埋め込みを学習する。
論文 参考訳(メタデータ) (2020-04-15T21:03:29Z)
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。