論文の概要: HODDI: A Dataset of High-Order Drug-Drug Interactions for Computational Pharmacovigilance

• arxiv url: http://arxiv.org/abs/2502.06274v1
• Date: Mon, 10 Feb 2025 09:18:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-11 14:33:30.569485
• Title: HODDI: A Dataset of High-Order Drug-Drug Interactions for Computational Pharmacovigilance
• Title（参考訳）: HODDI : 計算薬理工学における高次薬物・薬物相互作用のデータセット
• Authors: Zhaoying Wang, Yingdan Shi, Xiang Liu, Can Chen, Jun Wen, Ren Wang,
• Abstract要約: HODDIには2,506種類の薬物と4,569種類の副作用を含む109,744個の記録がある。 包括的統計分析は、HODDIの広範なカバレッジと堅牢な分析指標を示している。 薬物副作用予測における高次情報の有用性について検討した。
• 参考スコア（独自算出の注目度）: 10.96832270502834
• License:
• Abstract: Drug-side effect research is vital for understanding adverse reactions arising in complex multi-drug therapies. However, the scarcity of higher-order datasets that capture the combinatorial effects of multiple drugs severely limits progress in this field. Existing resources such as TWOSIDES primarily focus on pairwise interactions. To fill this critical gap, we introduce HODDI, the first Higher-Order Drug-Drug Interaction Dataset, constructed from U.S. Food and Drug Administration (FDA) Adverse Event Reporting System (FAERS) records spanning the past decade, to advance computational pharmacovigilance. HODDI contains 109,744 records involving 2,506 unique drugs and 4,569 unique side effects, specifically curated to capture multi-drug interactions and their collective impact on adverse effects. Comprehensive statistical analyses demonstrate HODDI's extensive coverage and robust analytical metrics, making it a valuable resource for studying higher-order drug relationships. Evaluating HODDI with multiple models, we found that simple Multi-Layer Perceptron (MLP) can outperform graph models, while hypergraph models demonstrate superior performance in capturing complex multi-drug interactions, further validating HODDI's effectiveness. Our findings highlight the inherent value of higher-order information in drug-side effect prediction and position HODDI as a benchmark dataset for advancing research in pharmacovigilance, drug safety, and personalized medicine. The dataset and codes are available at https://github.com/TIML-Group/HODDI.
• Abstract（参考訳）: 薬物副作用の研究は、複雑な多剤療法における副作用の理解に不可欠である。 しかし、複数の薬物の組合せ効果を捉える高次データセットの不足は、この分野の進歩を著しく妨げている。 TWOSIDESのような既存のリソースは主にペアのインタラクションに重点を置いている。 この重要なギャップを埋めるために,米国食品医薬品局 (FDA) の過去10年間の逆事象報告システム (FAERS) から構築された,最初の高次薬物・薬物相互作用データセットであるHODDIを導入し,計算医薬の移動を推し進める。 HODDIには2,506のユニークな薬物と4,569の副作用を含む109,744のレコードが含まれており、特に多剤相互作用を捉え、その集団的影響が副作用に与える影響を捉えている。 包括的統計分析は、HODDIの広範な範囲と堅牢な分析指標を示し、高次薬物関係の研究に有用な資源である。 HODDIを複数のモデルで評価した結果、単純なMulti-Layer Perceptron (MLP) はグラフモデルより優れており、ハイパーグラフモデルは複雑なマルチドラッグ相互作用のキャプチャにおいて優れた性能を示し、HODDIの有効性をさらに検証する。 本研究は,医薬品の安全性,医薬品の安全性,パーソナライズド医薬品の研究を促進するためのベンチマークデータセットとして,薬物副作用予測とHODDIの位置推定における高次情報の本質的価値を強調した。 データセットとコードはhttps://github.com/TIML-Group/HODDIで公開されている。

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)
• ADRNet: A Generalized Collaborative Filtering Framework Combining Clinical and Non-Clinical Data for Adverse Drug Reaction Prediction [49.56476929112382]
  逆薬物反応(ADR)予測は、医療と薬物発見において重要な役割を果たす。 ADRNetは、臨床データと非臨床データを組み合わせた一般的な協調フィルタリングフレームワークである。
  論文  参考訳（メタデータ） (2023-08-03T11:28:12Z)
• DDoS: A Graph Neural Network based Drug Synergy Prediction Algorithm [0.521420263116111]
  薬物相乗効果予測のためのグラフニューラルネットワーク(textitGNN)モデルを提案する。 従来のモデルとは対照的に、我々のGNNベースのアプローチは、薬物のグラフ構造から直接タスク特異的な薬物表現を学習する。 我々の研究は、タスク固有の薬物表現を学習し、多様なデータセットを活用することが、薬物と薬物の相互作用とシナジーの理解を深めるための有望なアプローチであることを示唆している。
  論文  参考訳（メタデータ） (2022-10-03T10:16:29Z)
• 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)
• 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)

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。