論文の概要: Research on Adverse Drug Reaction Prediction Model Combining Knowledge Graph Embedding and Deep Learning
- arxiv url: http://arxiv.org/abs/2407.16715v2
- Date: Sat, 27 Jul 2024 15:09:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-30 20:31:59.683956
- Title: Research on Adverse Drug Reaction Prediction Model Combining Knowledge Graph Embedding and Deep Learning
- Title（参考訳）: 知識グラフ埋め込みとディープラーニングを組み合わせた逆薬物反応予測モデルに関する研究
- Authors: Yufeng Li, Wenchao Zhao, Bo Dang, Xu Yan, Weimin Wang, Min Gao, Mingxuan Xiao,
- Abstract要約: 本稿では,知識グラフの埋め込みと深層学習に基づく薬物反応予測モデルを開発する。
得られた予測モデルは、予測精度と安定性が良好であり、後続の安全な薬剤指導のための効果的な基準を提供することができる。
- 参考スコア（独自算出の注目度）: 36.703773706187256
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In clinical treatment, identifying potential adverse reactions of drugs can help assist doctors in making medication decisions. In response to the problems in previous studies that features are high-dimensional and sparse, independent prediction models need to be constructed for each adverse reaction of drugs, and the prediction accuracy is low, this paper develops an adverse drug reaction prediction model based on knowledge graph embedding and deep learning, which can predict experimental results. Unified prediction of adverse drug reactions covered. Knowledge graph embedding technology can fuse the associated information between drugs and alleviate the shortcomings of high-dimensional sparsity in feature matrices, and the efficient training capabilities of deep learning can improve the prediction accuracy of the model. This article builds an adverse drug reaction knowledge graph based on drug feature data; by analyzing the embedding effect of the knowledge graph under different embedding strategies, the best embedding strategy is selected to obtain sample vectors; and then a convolutional neural network model is constructed to predict adverse reactions. The results show that under the DistMult embedding model and 400-dimensional embedding strategy, the convolutional neural network model has the best prediction effect; the average accuracy, F_1 score, recall rate and area under the curve of repeated experiments are better than the methods reported in the literature. The obtained prediction model has good prediction accuracy and stability, and can provide an effective reference for later safe medication guidance.
- Abstract（参考訳）: 臨床治療において、薬物の潜在的な副作用を特定することは、医師が薬物決定を行うのを助けるのに役立つ。
本研究は, 薬物の有害反応ごとに独立予測モデルを構築し, 予測精度が低く, 知識グラフの埋め込みと深層学習に基づく有害薬物反応予測モデルを構築し, 実験結果の予測を行う。
有害薬物反応の統一予測が適用された。
知識グラフ埋め込み技術は、薬物間の関連情報を融合し、特徴行列における高次元空間の欠点を軽減することができ、ディープラーニングの効率的なトレーニング能力はモデルの予測精度を向上させることができる。
本稿では, 薬物特徴データに基づく有害薬物反応知識グラフを構築し, 異なる埋め込み戦略下での知識グラフの埋め込み効果を解析することにより, 最良の埋め込み戦略を選択し, サンプルベクターを得る。
その結果、DistMult埋め込みモデルと400次元埋め込み戦略の下では、畳み込みニューラルネットワークモデルが最も優れた予測効果を有することが明らかとなった。
得られた予測モデルは、予測精度と安定性が良好であり、後続の安全な薬剤指導のための効果的な基準を提供することができる。
関連論文リスト
- DRExplainer: Quantifiable Interpretability in Drug Response Prediction with Directed Graph Convolutional Network [9.641021461914551]
薬物反応予測のための新しい解釈可能な予測モデルDRExplainerを提案する。
DRExplainerは、細胞株のマルチオミクスプロファイル、薬物の化学構造、既知の薬物応答を統合した有向二部ネットワークを構築する。
計算実験では、DRExplainerは最先端の予測手法と別のグラフベースの説明手法より優れている。
論文 参考訳（メタデータ） (2024-08-22T05:45:48Z) - 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) - A Deep Learning Approach to the Prediction of Drug Side-Effects on
Molecular Graphs [2.4087148947930634]
グラフニューラルネットワークを用いて薬物副作用を予測する手法を開発した。
私たちは、自由にアクセス可能で、確立されたデータソースからデータセットを構築します。
その結果,本手法は,多くのパラメータや指標の下で,分類能力の向上を図っている。
論文 参考訳（メタデータ） (2022-11-30T10:12:41Z) - Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling
Model [64.29487107585665]
脳機能ネットワーク上のグラフ表現学習技術は、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を容易にする。
本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。
また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
論文 参考訳（メタデータ） (2022-07-14T20:03:52Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - Prediction of Adverse Biological Effects of Chemicals Using Knowledge
Graph Embeddings [5.1168938454615205]
知識グラフ埋め込みを用いることで,ニューラルネットワークによる効果予測の精度が向上することを示す。
我々は,知識グラフ埋め込みモデルの特定の特性を評価し,個々のモデルの性能に光を当てる。
論文 参考訳（メタデータ） (2021-12-08T22:19:16Z) - HINT: Hierarchical Interaction Network for Trial Outcome Prediction
Leveraging Web Data [56.53715632642495]
臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。
本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
論文 参考訳（メタデータ） (2021-02-08T15:09:07Z) - Patient-independent Epileptic Seizure Prediction using Deep Learning
Models [39.19336481493405]
発作予知システムの目的は、発作が起こる前に起こる前頭前脳のステージを正常に識別することである。
患者に依存しない発作予測モデルは、データセット内の複数の被験者に正確なパフォーマンスを提供するように設計されている。
患者に依存しない2つの深層学習アーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-11-18T23:13:48Z) - 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。