論文の概要: Boosting drug-disease association prediction for drug repositioning via dual-feature extraction and cross-dual-domain decoding
- arxiv url: http://arxiv.org/abs/2407.11812v2
- Date: Fri, 11 Oct 2024 13:49:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-08 20:59:00.526803
- Title: Boosting drug-disease association prediction for drug repositioning via dual-feature extraction and cross-dual-domain decoding
- Title（参考訳）: 二重機能抽出とクロスデュアルドメインデコードによる薬物再配置の薬物放出関連予測
- Authors: Enqiang Zhu, Xiang Li, Chanjuan Liu, Nikhil R. Pal,
- Abstract要約: 本稿では,薬物や疾患を表現するためのDual-Feature Drug Repositioning Neural Network(DFDRNN)モデルを提案する。
提案するDFDRNNモデルは,4つのベンチマークデータセット上で6つの最先端手法より優れている。
2つの疾患のケーススタディは、提案したDFDRNNモデルが現実世界のシナリオに適用可能であることを示している。
- 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: Uncovering new therapeutic uses of existing drugs, drug repositioning offers a fast and cost-effective strategy and holds considerable significance in the realm of drug discovery and development. In recent years, deep learning techniques have emerged as powerful tools in drug repositioning due to their ability to analyze large and complex datasets. However, many existing methods focus on extracting feature information from nearby nodes in the network to represent drugs and diseases, without considering the potential inter-relationships between the features of drugs and diseases, which may lead to inaccurate representations. To address this limitation, we use two features (similarity and association) to capture the potential relationships between the features of drugs and diseases, proposing a Dual-Feature Drug Repositioning Neural Network (DFDRNN) model. DFDRNN uses a self-attention mechanism to extract neighbor features and incorporates two dual-feature extraction modules: the intra-domain dual-feature extraction (IntraDDFE) module for extracting features within a single domain (drugs or diseases) and the inter-domain dual-feature extraction (InterDDFE) module for extracting features across domains. By utilizing these modules, we ensure more appropriate encoding of drugs and diseases. Additionally, a cross-dual-domain decoder is designed to predict drug-disease associations in both domains. Our proposed DFDRNN model outperforms six state-of-the-art methods on four benchmark datasets, achieving an average AUROC of 0.946 and an average AUPR of 0.597. Case studies on two diseases show that the proposed DFDRNN model can be applied in real-world scenarios, demonstrating its significant potential in drug repositioning.
- Abstract（参考訳）: 薬物再配置は、薬物の発見と開発という領域において、迅速かつ費用対効果の高い戦略を提供する。
近年では、大規模で複雑なデータセットを分析できるため、薬物再配置の強力なツールとしてディープラーニング技術が登場している。
しかし、既存の多くの手法は、薬物や疾患の特徴の相互関係を考慮せずに、ネットワーク内の近傍ノードから特徴情報を抽出することに焦点を当てており、不正確な表現につながる可能性がある。
この制限に対処するために、我々は2つの特徴(類似性と関連性)を用いて、Dual-Feature Drug Repositioning Neural Network(DFDRNN)モデルを提案する。
DFDRNNは、隣接する特徴を抽出するための自己注意機構を使用して、2つの二重機能抽出モジュールを組み込んでいる: ドメイン内二重機能抽出(IntraDDFE)モジュールは、単一のドメイン内の特徴を抽出する単一のドメイン(ドラッグまたは疾患)と、ドメイン間の特徴を抽出するドメイン間二重機能抽出(InterDDFE)モジュールである。
これらのモジュールを利用することで、薬物や疾患のより適切なエンコーディングを確実にする。
さらに、クロスデュアルドメインデコーダは、両方のドメイン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。
提案するDFDRNNモデルは,4つのベンチマークデータセット上で6つの最先端手法を上回り,平均AUROC 0.946 と平均 AUPR 0.597 を達成している。
2つの疾患のケーススタディでは、提案されたDFDRNNモデルが現実のシナリオに適用可能であることを示し、薬物再配置におけるその有意義な可能性を示している。
関連論文リスト
- RGDA-DDI: Residual graph attention network and dual-attention based framework for drug-drug interaction prediction [4.044376666671973]
薬物・薬物相互作用予測のための残留グラフ注意ネットワーク(Residual-GAT)とデュアルアテンションベースのフレームワークであるRGDA-DDIを提案する。
一連の評価指標は、RGDA-DDIが2つの公開ベンチマークデータセット上でのDDI予測性能を大幅に改善したことを示している。
論文 参考訳（メタデータ） (2024-08-27T17:13:56Z) - Multiscale Topology in Interactomic Network: From Transcriptome to
Antiaddiction Drug Repurposing [0.3683202928838613]
米国における薬物依存の激化は、革新的な治療戦略の緊急の必要性を浮き彫りにしている。
本研究は,オピオイドおよびコカイン依存症治療の薬物再服用候補を探索するための,革新的で厳格な戦略に着手した。
論文 参考訳（メタデータ） (2023-12-03T04:01:38Z) - 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) - 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) - SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity
Prediction [127.43571146741984]
薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。
湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。
既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。
SSM-DTAフレームワークについて述べる。
論文 参考訳（メタデータ） (2022-06-20T14:53:25Z) - Multiple Similarity Drug-Target Interaction Prediction with Random Walks
and Matrix Factorization [16.41618129467975]
我々は、異なるレイヤが薬物と標的の異なる類似度メトリクスに対応する、多層ネットワークの視点を捉えている。
複数のビューでキャプチャされたトポロジ情報を完全に活用するために,DTI予測のための最適化フレームワーク MDMF を開発した。
このフレームワークは、すべての超分子層にまたがる高次近接を維持するだけでなく、内部積との相互作用を近似する薬物や標的のベクトル表現を学習する。
論文 参考訳（メタデータ） (2022-01-24T08:02:05Z) - 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) - 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) - Attention-based Neural Bag-of-Features Learning for Sequence Data [143.62294358378128]
2D-Attention (2DA) は、シーケンスデータの一般的なアテンション定式化である。
提案したアテンションモジュールは、最近提案されたNeural Bag of Feature(NBoF)モデルに組み込まれ、学習能力を高める。
実験により,提案手法はNBoFモデルの性能を向上させるだけでなく,ノイズに耐性を持つことを示す。
論文 参考訳（メタデータ） (2020-05-25T17:51:54Z) - 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。