Fugu-MT 論文翻訳(概要): GAN-TAT: A Novel Framework Using Protein Interaction Networks in Druggable Gene Identification

論文の概要: GAN-TAT: A Novel Framework Using Protein Interaction Networks in Druggable Gene Identification

arxiv url: http://arxiv.org/abs/2501.01458v1
Date: Tue, 31 Dec 2024 07:37:34 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-06 15:12:04.824402
Title: GAN-TAT: A Novel Framework Using Protein Interaction Networks in Druggable Gene Identification
Title（参考訳）: GAN-TAT : 薬物性遺伝子同定におけるタンパク質相互作用ネットワークを利用した新しいフレームワーク
Authors: George Yuanji Wang, Srisharan Murugesan, Aditya Prince Rohatgi,
Abstract要約: 本研究は,GAN-TAT (GAN-TAT) を創薬性遺伝子推論のために直接PINを統合するための高度なグラフ埋め込み技術であるImGNGA (ImGNGA) を利用したフレームワークを提案する。 GAN-TATは3つのファロスデータセットでテストされ、Tclinで最高0.951のAUC-ROCスコアを達成した。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Identifying druggable genes is essential for developing effective pharmaceuticals. With the availability of extensive, high-quality data, computational methods have become a significant asset. Protein Interaction Network (PIN) is valuable but challenging to implement due to its high dimensionality and sparsity. Previous methods relied on indirect integration, leading to resolution loss. This study proposes GAN-TAT, a framework utilizing an advanced graph embedding technology, ImGAGN, to directly integrate PIN for druggable gene inference work. Tested on three Pharos datasets, GAN-TAT achieved the highest AUC-ROC score of 0.951 on Tclin. Further evaluation shows that GAN-TAT's predictions are supported by clinical evidence, highlighting its potential practical applications in pharmacogenomics. This research represents a methodological attempt with the direct utilization of PIN, expanding potential new solutions for developing drug targets. The source code of GAN-TAT is available at (https://github.com/george-yuanji-wang/GAN-TAT).
Abstract（参考訳）: 薬物性遺伝子を同定することは有効な医薬品の開発に不可欠である。大規模で高品質なデータの提供により、計算手法は重要な資産となった。タンパク質相互作用ネットワーク(PIN)は、その高次元性と疎性のため実装が困難である。従来の手法は間接的な統合に依存していたため、解像度が低下した。本研究は,GAN-TAT (GAN-TAT) を創薬性遺伝子推論のために直接PINを統合するための高度なグラフ埋め込み技術であるImGAGN(ImGAGN) を利用したフレームワークを提案する。 GAN-TATは3つのファロスデータセットでテストされ、トクリンのAUC-ROCスコアは0.951に達した。さらなる評価は、GAN-TATの予測が臨床証拠によって支持され、薬理ゲノミクスにおける潜在的な実用的応用を強調していることを示している。本研究は、PINの直接利用による方法論的試みであり、薬物標的を開発するための潜在的新しい解決策を広げるものである。 GAN-TATのソースコードはhttps://github.com/george-yuanji-wang/GAN-TATで公開されている。

関連論文リスト

GramSeq-DTA: A grammar-based drug-target affinity prediction approach fusing gene expression information [1.2289361708127877]
薬物や標的の構造情報と化学摂動情報を統合するGramSeq-DTAを提案する。我々の手法は、広く使われているDTAデータセットで検証された場合、現在の最先端のDTA予測モデルよりも優れている。
論文参考訳（メタデータ） (2024-11-03T03:17:09Z)
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)
drGAT: Attention-Guided Gene Assessment of Drug Response Utilizing a Drug-Cell-Gene Heterogeneous Network [9.637695046701493]
drGATは、薬物に対する感受性を予測するグラフ深層学習モデルである。 drGATは既存のモデルよりも優れた性能を示し、精度は78%、F1スコアは76%、DNA損傷物質は269である。本手法は薬剤感受性を正確に予測するために有用であり,がん患者の治療に関するバイオマーカーの同定に有用である。
論文参考訳（メタデータ） (2024-05-14T22:16:52Z)
HGTDR: Advancing Drug Repurposing with Heterogeneous Graph Transformers [4.04283519345485]
本稿では,薬物再資源化に関わる課題に対処するため,HGTDR (Heterogeneous Graph Transformer for Drug Repurposing) を提案する。 HGTDRを利用することで、ユーザは入力グラフを操作し、多様なエンティティから情報を抽出し、所望の出力を得ることができる。
論文参考訳（メタデータ） (2024-05-12T21:34:03Z)
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)
PGraphDTA: Improving Drug Target Interaction Prediction using Protein Language Models and Contact Maps [4.590060921188914]
薬物発見の鍵となる側面は、新規な薬物標的相互作用(DT)の同定である。タンパク質-リガンド相互作用は結合親和性として知られる結合強度の連続性を示す。性能向上のための新しい改良を提案する。
論文参考訳（メタデータ） (2023-10-06T05:00:25Z)
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)
DrugOOD: Out-of-Distribution (OOD) Dataset Curator and Benchmark for AI-aided Drug Discovery -- A Focus on Affinity Prediction Problems with Noise Annotations [90.27736364704108]
我々は、AI支援薬物発見のための体系的なOODデータセットキュレーターおよびベンチマークであるTarmOODを提案する。 DrugOODには、ベンチマークプロセスを完全に自動化するオープンソースのPythonパッケージが付属している。我々は、薬物標的結合親和性予測という、AIDDにおける最も重要な問題の1つに焦点を当てる。
論文参考訳（メタデータ） (2022-01-24T12:32:48Z)
Improved Drug-target Interaction Prediction with Intermolecular Graph Transformer [98.8319016075089]
本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。 IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
論文参考訳（メタデータ） (2021-10-14T13:28:02Z)

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。