論文の概要: Devil in the Tail: A Multi-Modal Framework for Drug-Drug Interaction Prediction in Long Tail Distinction
- arxiv url: http://arxiv.org/abs/2410.12249v1
- Date: Wed, 16 Oct 2024 05:21:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-17 13:41:46.062664
- Title: Devil in the Tail: A Multi-Modal Framework for Drug-Drug Interaction Prediction in Long Tail Distinction
- Title（参考訳）: Devil in the Tail: a multi-Modal Framework for Drug-Drug Interaction Prediction in Long Tail Distinction
- Authors: Liangwei Nathan Zheng, Chang George Dong, Wei Emma Zhang, Xin Chen, Lin Yue, Weitong Chen,
- Abstract要約: 薬物と薬物の相互作用(DDI)の同定は薬理学研究の重要な側面である。
本稿では、DDI分類を実現するために、薬物の複数の特性を活用するために、新しいマルチモーダルディープラーニングベースのフレームワークTFDMを紹介した。
カテゴリーごとの分布歪による課題に対処するため, タレド・フォカル・ロスと呼ばれる新たな損失関数を導入する。
- 参考スコア（独自算出の注目度）: 12.430490805111921
- License:
- Abstract: Drug-drug interaction (DDI) identification is a crucial aspect of pharmacology research. There are many DDI types (hundreds), and they are not evenly distributed with equal chance to occur. Some of the rarely occurred DDI types are often high risk and could be life-critical if overlooked, exemplifying the long-tailed distribution problem. Existing models falter against this distribution challenge and overlook the multi-faceted nature of drugs in DDI prediction. In this paper, a novel multi-modal deep learning-based framework, namely TFDM, is introduced to leverage multiple properties of a drug to achieve DDI classification. The proposed framework fuses multimodal features of drugs, including graph-based, molecular structure, Target and Enzyme, for DDI identification. To tackle the challenge posed by the distribution skewness across categories, a novel loss function called Tailed Focal Loss is introduced, aimed at further enhancing the model performance and address gradient vanishing problem of focal loss in extremely long-tailed dataset. Intensive experiments over 4 challenging long-tailed dataset demonstrate that the TFMD outperforms the most recent SOTA methods in long-tailed DDI classification tasks. The source code is released to reproduce our experiment results: https://github.com/IcurasLW/TFMD_Longtailed_DDI.git
- Abstract（参考訳）: 薬物と薬物の相互作用(DDI)の同定は薬理学研究の重要な側面である。
多くのDDIタイプ(数百種類)があり、同じ確率で均等に分散されていない。
稀に発生するDDIタイプのいくつかは、しばしばリスクが高く、見過ごされた場合、命にかかわる可能性があり、長い尾の分布問題を実証している。
既存のモデルでは、DDI予測における薬物の多面的な性質を見落としている。
本稿では、DDI分類を実現するために、薬物の複数の特性を活用するために、新しいマルチモーダルディープラーニングベースのフレームワークTFDMを紹介した。
提案フレームワークは, グラフベース, 分子構造, Target および Enzyme などの薬物のマルチモーダルな特徴を融合し, DDI の同定を行う。
カテゴリー間の分布歪に起因する課題に対処するため, モデル性能のさらなる向上と, 極端に長い尾を持つデータセットにおける焦点損失の勾配解消問題への対処を目的とした, Tailed Focal Loss と呼ばれる新しい損失関数を導入した。
4つの挑戦的な長い尾のデータセットに対する集中的な実験により、TFMDは、長い尾のDDI分類タスクにおいて、最新のSOTAメソッドよりも優れていることが示された。
ソースコードは、実験結果を再現するためにリリースされた。 https://github.com/IcurasLW/TFMD_Longtailed_DDI.git。
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) - Accurate and interpretable drug-drug interaction prediction enabled by knowledge subgraph learning [39.66471292348325]
本稿では,薬物と薬物の相互作用の潜在的な発見という課題に対処するグラフニューラルネットワークを用いたKnowDDIを提案する。
KnowDDIは、大きなバイオメディカル知識グラフからリッチな近隣情報を適応的に活用することで、薬物表現を強化する。
元々のオープンソースツールであるKnowDDIは、さまざまな関連するインタラクション予測タスクにおいて、可能なインタラクションを検出するのに役立ちます。
論文 参考訳（メタデータ） (2023-11-25T15:44:28Z) - DDI Prediction via Heterogeneous Graph Attention Networks [0.0]
ポリファーマシー(英: Poly Pharmacy)は、複数の薬物を併用すること。
薬物と薬物の相互作用 (DDI) は、ある薬物の作用が他の薬物と結合した場合に起こる活動である。
薬物と薬物の相互作用を予測するための新しい異種グラフアテンションモデルであるHAN-DDIを提案する。
論文 参考訳（メタデータ） (2022-07-12T16:59:06Z) - HyGNN: Drug-Drug Interaction Prediction via Hypergraph Neural Network [0.0]
薬物と薬物の相互作用(DDI)は薬物の機能を妨げる可能性があり、最悪の場合、薬物の副作用(ADR)を引き起こす可能性がある。
本稿では,DDI予測問題に対するSMILES文字列のみに基づく新しいハイパーグラフニューラルネットワーク(HyGNN)モデルを提案する。
提案したHyGNNモデルは, DDIを効果的に予測し, ROC-AUCとPR-AUCを97.9%, 98.1%で比較した。
論文 参考訳（メタデータ） (2022-06-25T22:48:27Z) - 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) - Multi-View Substructure Learning for Drug-Drug Interaction Prediction [69.34322811160912]
DDI予測のための新しいマルチビュードラッグサブ構造ネットワーク(MSN-DDI)を提案する。
MSN-DDIは、単一の薬物(イントラビュー)と薬物ペア(インタービュー)の両方の表現から化学的サブ構造を同時に学習し、そのサブ構造を利用して、薬物表現を反復的に更新する。
総合的な評価では、MSN-DDIは、トランスダクティブ・セッティングの下で比較的改善された19.32%と99%以上の精度を達成することで、既存の薬物に対するDDI予測をほぼ解決したことを示している。
論文 参考訳（メタデータ） (2022-03-28T05:44:29Z) - Coupled and Uncoupled Dynamic Mode Decomposition in Multi-Compartmental
Systems with Applications to Epidemiological and Additive Manufacturing
Problems [58.720142291102135]
非線形問題に適用した場合,動的分解(DMD)は強力なツールである可能性が示唆された。
特に,Covid-19に対する連続遅延SIRDモデルに対する興味深い数値的応用を示す。
論文 参考訳（メタデータ） (2021-10-12T21:42:14Z) - SDF-Bayes: Cautious Optimism in Safe Dose-Finding Clinical Trials with
Drug Combinations and Heterogeneous Patient Groups [84.63561578944183]
本稿では,薬物の最大許容量(MTD)を臨床試験で検索するための新しいベイズ設計であるSDF-Bayesを提案する。
SDF-Bayesは、1つの薬物の現在の投与量をエスカレートまたは脱エスカレートする従来の原則ではなく、慎重な楽観主義によって進行する。
合成データセットと実世界データセットの両方に基づく広範な実験は、最先端のDC試験設計よりもSDFベイズの利点を示しています。
論文 参考訳（メタデータ） (2021-01-26T18:59:26Z) - 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)
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。