論文の概要: Graph Diffusion Network for Drug-Gene Prediction

• arxiv url: http://arxiv.org/abs/2502.09335v1
• Date: Thu, 13 Feb 2025 13:54:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-14 13:49:46.004668
• Title: Graph Diffusion Network for Drug-Gene Prediction
• Title（参考訳）: 薬物発生予測のためのグラフ拡散ネットワーク
• Authors: Jiayang Wu, Wensheng Gan, Philip S. Yu,
• Abstract要約: 薬物遺伝子予測のためのグラフ拡散ネットワーク(GDNDGP)を提案する。 メタパスに基づく同種グラフ学習を用いて、薬物・薬物・遺伝子関係を捉える。 第2に、トレーニング中に強い負のサンプルを生成する並列拡散ネットワークを導入し、徹底的な負のサンプル検索の必要性を排除している。
• 参考スコア（独自算出の注目度）: 38.00034058447254
• License:
• Abstract: Predicting drug-gene associations is crucial for drug development and disease treatment. While graph neural networks (GNN) have shown effectiveness in this task, they face challenges with data sparsity and efficient contrastive learning implementation. We introduce a graph diffusion network for drug-gene prediction (GDNDGP), a framework that addresses these limitations through two key innovations. First, it employs meta-path-based homogeneous graph learning to capture drug-drug and gene-gene relationships, ensuring similar entities share embedding spaces. Second, it incorporates a parallel diffusion network that generates hard negative samples during training, eliminating the need for exhaustive negative sample retrieval. Our model achieves superior performance on the DGIdb 4.0 dataset and demonstrates strong generalization capability on tripartite drug-gene-disease networks. Results show significant improvements over existing methods in drug-gene prediction tasks, particularly in handling complex heterogeneous relationships. The source code is publicly available at https://github.com/csjywu1/GDNDGP.
• Abstract（参考訳）: 薬物遺伝子関連性の予測は、薬物開発と疾患治療に不可欠である。 グラフニューラルネットワーク(GNN)はこのタスクにおいて有効性を示しているが、データ分散性と効率的なコントラスト学習実装の課題に直面している。 薬物遺伝子予測のためのグラフ拡散ネットワーク(GDNDGP)を導入する。 第一に、メタパスに基づく同種グラフ学習を用いて薬物と遺伝子の関係を捉え、類似の実体が埋め込み空間を共有することを保証している。 第2に、トレーニング中に強い負のサンプルを生成する並列拡散ネットワークを導入し、徹底的な負のサンプル検索の必要性を排除している。 本モデルはDGIdb 4.0データセット上での優れた性能を実現し,三部作のドラッグ・ジェネレーション・ディスジェネレーション・ネットワーク上での強力な一般化能力を示す。 その結果、薬物遺伝子予測タスク、特に複雑な異種関係の処理において、既存の方法よりも顕著な改善が見られた。 ソースコードはhttps://github.com/csjywu1/GDNDGPで公開されている。

関連論文リスト

• BernGraph: Probabilistic Graph Neural Networks for EHR-based Medication Recommendations [28.456738816539488]
  医療コミュニティは、EHRデータにおける2つの医療イベントの結果は、合理的な推奨を行うのに十分な情報を含んでいると信じている。 専門家の知識があっても、巨大な0,1のイベント結果の関係をモデル化するのは困難です。 実際には、同様に重要な0エントリが学習信号を伝達しないため、学習はバイナリ値によって停滞する可能性がある。
  論文  参考訳（メタデータ） (2024-08-18T08:52:27Z)
• 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)
• Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
  不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。 最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。 我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
  論文  参考訳（メタデータ） (2023-10-23T01:25:44Z)
• 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)
• 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)
• 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)
• Hierarchical Graph Representation Learning for the Prediction of Drug-Target Binding Affinity [7.023929372010717]
  本稿では,薬物結合親和性予測,すなわちHGRL-DTAのための新しい階層グラフ表現学習モデルを提案する。 本稿では,グローバルレベルの親和性グラフと局所レベルの分子グラフから得られた階層的表現を統合するためのメッセージブロードキャスティング機構を採用し,また,類似性に基づく埋め込みマップを設計し,未知の薬物や標的に対する表現の推論というコールドスタート問題を解決する。
  論文  参考訳（メタデータ） (2022-03-22T04:50:16Z)
• 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)
• 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)
• Drug-Drug Interaction Prediction with Wasserstein Adversarial Autoencoder-based Knowledge Graph Embeddings [22.562175708415392]
  薬物・薬物相互作用のための知識グラフ埋め込みフレームワークを提案する。 本フレームワークでは, 高品質な負のサンプルを生成するために, オートエンコーダを用いる。 判別器は、正三重項と負三重項の両方に基づいて薬物と相互作用の埋め込みを学習する。
  論文  参考訳（メタデータ） (2020-04-15T21:03:29Z)

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。