論文の概要: A Heterogeneous Network-based Contrastive Learning Approach for Predicting Drug-Target Interaction

• arxiv url: http://arxiv.org/abs/2411.00801v1
• Date: Sun, 20 Oct 2024 14:57:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 12:31:10.986329
• Title: A Heterogeneous Network-based Contrastive Learning Approach for Predicting Drug-Target Interaction
• Title（参考訳）: 不均一ネットワークに基づく薬物・標的相互作用予測のためのコントラスト学習手法
• Authors: Junwei Hu, Michael Bewong, Selasi Kwashie, Wen Zhang, Vincent M. Nofong, Guangsheng Wu, Zaiwen Feng,
• Abstract要約: 薬物と標的の相互作用(DTI)の予測は、薬物開発と再配置に不可欠である。 HNCL-DTIと呼ばれる異種ネットワークに基づくコントラスト学習手法を提案する。 実験結果から,HNCL-DTIはベンチマークデータセット上で既存の高度なベースライン手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 3.1923357295923225
• License:
• Abstract: Drug-target interaction (DTI) prediction is crucial for drug development and repositioning. Methods using heterogeneous graph neural networks (HGNNs) for DTI prediction have become a promising approach, with attention-based models often achieving excellent performance. However, these methods typically overlook edge features when dealing with heterogeneous biomedical networks. We propose a heterogeneous network-based contrastive learning method called HNCL-DTI, which designs a heterogeneous graph attention network to predict potential/novel DTIs. Specifically, our HNCL-DTI utilizes contrastive learning to collaboratively learn node representations from the perspective of both node-based and edge-based attention within the heterogeneous structure of biomedical networks. Experimental results show that HNCL-DTI outperforms existing advanced baseline methods on benchmark datasets, demonstrating strong predictive ability and practical effectiveness. The data and source code are available at https://github.com/Zaiwen/HNCL-DTI.
• Abstract（参考訳）: 薬物と標的の相互作用(DTI)の予測は、薬物開発と再配置に不可欠である。 DTI予測にヘテロジニアスグラフニューラルネットワーク(HGNN)を用いる手法は,注目に基づくモデルによる優れたパフォーマンスを実現する上で,有望なアプローチとなっている。 しかし、これらの手法は通常、異種生物医学ネットワークを扱う際にエッジの特徴を見落としている。 HNCL-DTIと呼ばれる異種ネットワークに基づくコントラスト学習手法を提案する。 具体的には,我々のHNCL-DTIは,バイオメディカルネットワークの異種構造におけるノードベースとエッジベースの両方の視点から,コントラスト学習を用いてノード表現を協調的に学習する。 実験結果から,HNCL-DTIはベンチマークデータセット上で既存の高度なベースライン手法よりも優れており,高い予測能力と実用性を示している。 データとソースコードはhttps://github.com/Zaiwen/HNCL-DTIで入手できる。

関連論文リスト

• Benchmark on Drug Target Interaction Modeling from a Structure Perspective [48.60648369785105]
  薬物と標的の相互作用の予測は、薬物の発見と設計に不可欠である。 グラフニューラルネットワーク(GNN)やトランスフォーマーに基づく最近の手法は、さまざまなデータセットで例外的なパフォーマンスを示している。 我々は,GNNベースと暗黙的(トランスフォーマーベース)構造学習アルゴリズムを多用することにより,構造の観点からの薬物-標的相互作用モデリングの総合的な調査とベンチマークを行う。
  論文  参考訳（メタデータ） (2024-07-04T16:56:59Z)
• A Cross-Field Fusion Strategy for Drug-Target Interaction Prediction [85.2792480737546]
  既存の方法は、DTI予測中にグローバルなタンパク質情報を利用することができない。 ローカルおよびグローバルなタンパク質情報を取得するために、クロスフィールド情報融合戦略が採用されている。 SiamDTI予測法は、新規薬物や標的に対する他の最先端(SOTA)法よりも高い精度を達成する。
  論文  参考訳（メタデータ） (2024-05-23T13:25:20Z)
• HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
  ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。 本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
  論文  参考訳（メタデータ） (2024-01-18T12:47:13Z)
• 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)
• ResDTA: Predicting Drug-Target Binding Affinity Using Residual Skip Connections [0.0]
  本稿では,DT結合親和性を予測するための深層学習手法を提案する。 提案したモデルでは,最大のベンチマークデータセットの1つにおいて,最高のコンコーダンス指標(CI)性能を達成している。
  論文  参考訳（メタデータ） (2023-03-20T20:27:11Z)
• HampDTI: a heterogeneous graph automatic meta-path learning method for drug-target interaction prediction [4.499861098235355]
  異種グラフ自動メタパス学習に基づくDTI予測法(HampDTI)を提案する。 HampDTIは、薬物と標的の間の重要なメタパスをHNから自動的に学習し、メタパスグラフを生成する。 ベンチマークデータを用いた実験により,提案したHampDTIは最先端のDTI予測手法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2021-12-16T02:12:03Z)
• Drug-Target Interaction Prediction with Graph Attention networks [26.40249934284416]
  DTI予測のためのエンドツーエンドフレームワークであるDTI-GAT(Drug-Target Interaction Prediction with Graph Attention Network)を提案する。 DTI-GATは、注目機構を備えたグラフ構造化データで動作するディープネットワークニューラルアーキテクチャを組み込んでいる。 実験により、DTI-GATはバイナリDTI予測問題において、様々な最先端システムより優れていることが示された。
  論文  参考訳（メタデータ） (2021-07-10T07:06:36Z)
• Toward Robust Drug-Target Interaction Prediction via Ensemble Modeling and Transfer Learning [0.0]
  本稿では,DTI予測のための深層学習モデル(EnsembleDLM)のアンサンブルを紹介する。 EnsembleDLMは、化学物質やタンパク質の配列情報のみを使用し、複数のディープニューラルネットワークからの予測を集約する。 DavisとKIBAのデータセットで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-07-02T04:00:03Z)
• Heterogeneous Graph based Deep Learning for Biomedical Network Link Prediction [7.628651624423363]
  バイオメディカルネットワークリンクを予測するためのグラフペアベースのリンク予測モデル(GPLP)を提案する。 InPでは、既知のネットワーク相互作用行列から抽出された1ホップのサブグラフを学習し、欠落リンクを予測する。 本手法は他のバイオメディカルネットワークにおける潜在的な応用を実証する。
  論文  参考訳（メタデータ） (2021-01-28T07:35:29Z)
• SumGNN: Multi-typed Drug Interaction Prediction via Efficient Knowledge Graph Summarization [64.56399911605286]
  本稿では,サブグラフ抽出モジュールによって実現された知識要約グラフニューラルネットワークSumGNNを提案する。 SumGNNは5.54%まで最高のベースラインを上回り、データ関係の低いタイプでは特にパフォーマンスの向上が顕著である。
  論文  参考訳（メタデータ） (2020-10-04T00:14:57Z)
• DeepPurpose: a Deep Learning Library for Drug-Target Interaction Prediction [69.7424023336611]
  DeepPurposeは、DTI予測のための包括的で使いやすいディープラーニングライブラリである。 15の複合およびタンパク質エンコーダと50以上のニューラルアーキテクチャを実装することで、カスタマイズされたDTI予測モデルのトレーニングをサポートする。 複数のベンチマークデータセット上でDeepPurposeの最先端性能を示す。
  論文  参考訳（メタデータ） (2020-04-19T17:31:55Z)

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。