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/2407.11812v4
• Date: Fri, 17 Jan 2025 13:42:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-20 13:57:11.867963
• 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: 我々はDual-Feature Drug Repurposing Neural Network (DFDRNN)と呼ばれる新しいモデルを提案する。 DFDRNNは、薬物や疾患をコード化するために、医薬品の生医学ネットワークから2つの特徴(類似性と関連性)をマイニングすることができる。 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。
• 参考スコア（独自算出の注目度）: 9.721502993958193
• License:
• Abstract: The extraction of biomedical data has significant academic and practical value in contemporary biomedical sciences. In recent years, drug repositioning, a cost-effective strategy for drug development by discovering new indications for approved drugs, has gained increasing attention. However, many existing drug repositioning methods focus on mining information from adjacent nodes in biomedical networks without considering the potential inter-relationships between the feature spaces of drugs and diseases. This can lead to inaccurate encoding, resulting in biased mined drug-disease association information. To address this limitation, we propose a new model called Dual-Feature Drug Repurposing Neural Network (DFDRNN). DFDRNN allows the mining of two features (similarity and association) from the drug-disease biomedical networks to encode drugs and diseases. A self-attention mechanism is utilized to extract neighbor feature information. It incorporates two dual-feature extraction modules: the single-domain dual-feature extraction (SDDFE) module for extracting features within a single domain (drugs or diseases) and the cross-domain dual-feature extraction (CDDFE) module for extracting features across domains. By utilizing these modules, we ensure more appropriate encoding of drugs and diseases. A cross-dual-domain decoder is also 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）: バイオメディカルデータの抽出は、現代のバイオメディカル科学において重要な学術的および実践的価値を持つ。 近年,承認された医薬品の新規表示を見出すことによる医薬品開発のための費用対効果戦略である薬物再配置が注目されている。 しかし, 薬物再配置法の多くは, 薬物と疾患の特徴空間間の相互関係を考慮せずに, 生物医療ネットワーク内の隣接ノードからのマイニング情報に重点を置いている。 これは不正確なコード化を招き、偏りのある薬物放出関連情報をもたらす。 この制限に対処するため,Dual-Feature Drug Repurposing Neural Network (DFDRNN) と呼ばれる新しいモデルを提案する。 DFDRNNは、2つの特徴(類似性と関連性)を、薬物や疾患をコード化するために、医薬品の生医学的ネットワークから採掘することができる。 自己認識機構を利用して、隣接する特徴情報を抽出する。 単一のドメイン内の特徴を抽出するSDDFEモジュールと、ドメイン間の特徴を抽出するCDDFEモジュールの2つの二重機能抽出モジュールが組み込まれている。 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。 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

• MD-Syn: Synergistic drug combination prediction based on the multidimensional feature fusion method and attention mechanisms [0.0]
  薬物併用療法は、複雑な疾患に対して有望な治療効果を示し、薬剤耐性を低下させる可能性を示している。 薬物の組み合わせの可能性は非常に多いため、従来の実験ではそれらを全てスクリーニングすることは困難である。 本研究では,多次元特徴融合法とマルチヘッドアテンション機構に基づく計算フレームワークMD-Synを提案する。
  論文  参考訳（メタデータ） (2025-01-14T06:50:56Z)
• 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)
• 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)
• Molecular Substructure-Aware Network for Drug-Drug Interaction Prediction [10.157966744159491]
  薬物の併用投与は薬物と薬物の相互作用(DDI)を引き起こす 薬物対の分子構造から潜在的DDIを効果的に予測する新しいモデルである分子サブストラクチャー・アウェア・ネットワーク(MSAN)を提案する。
  論文  参考訳（メタデータ） (2022-08-24T02:06:21Z)
• 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)
• 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)

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。