論文の概要: MuCoS: Efficient Drug-Target Prediction through Multi-Context-Aware Sampling

• arxiv url: http://arxiv.org/abs/2502.17784v1
• Date: Tue, 25 Feb 2025 02:27:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:23:08.863612
• Title: MuCoS: Efficient Drug-Target Prediction through Multi-Context-Aware Sampling
• Title（参考訳）: MuCoS:マルチコンテキストサンプリングによる効率的な薬物標的予測
• Authors: Haji Gul, Abdul Gani Haji Naim, Ajaz A. Bhat,
• Abstract要約: Multi-Context-Aware Sampling (MuCoS) は、薬物標的予測のための効率的で正の精度の手法である。 MuCoSは、負の三重項サンプリングの必要性を回避し、計算を削減し、目に見えないエンティティやリレーショナルのパフォーマンスを改善している。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Drug-target interactions are critical for understanding biological processes and advancing drug discovery. However, traditional methods such as ComplEx-SE, TransE, and DistMult struggle with unseen relationships and negative triplets, which limits their effectiveness in drug-target prediction. To address these challenges, we propose Multi-Context-Aware Sampling (MuCoS), an efficient and positively accurate method for drug-target prediction. MuCoS reduces computational complexity by prioritizing neighbors of higher density to capture informative structural patterns. These optimized neighborhood representations are integrated with BERT, enabling contextualized embeddings for accurate prediction of missing relationships or tail entities. MuCoS avoids the need for negative triplet sampling, reducing computation while improving performance over unseen entities and relations. Experiments on the KEGG50k biomedical dataset show that MuCoS improved over existing models by 13\% on MRR, 7\% on Hits@1, 4\% on Hits@3, and 18\% on Hits@10 for the general relationship, and by 6\% on MRR, 1\% on Hits@1, 3\% on Hits@3, and 12\% on Hits@10 for prediction of drug-target relationship.
• Abstract（参考訳）: 薬物と標的の相互作用は、生物学的プロセスを理解し、薬物発見を促進するために重要である。 しかし、ComplEx-SE、TransE、DistMultといった伝統的な手法は、薬物標的予測における効果を制限する、目に見えない関係や負の三つ子に苦しむ。 これらの課題に対処するために,薬物標的予測の効率的かつ正の正の手法であるMulti-Context-Aware Smpling (MuCoS)を提案する。 MuCoSは、高い密度の隣人を優先順位付けすることで計算の複雑さを減らし、情報的構造パターンを捉える。 これらの最適化された地区表現はBERTと統合され、コンテキスト化された埋め込みにより、行方不明な関係や末尾エンティティの正確な予測が可能になる。 MuCoSは、負の三重項サンプリングの必要性を回避し、計算を削減し、目に見えないエンティティやリレーショナルのパフォーマンスを改善している。 KEGG50kのバイオメディカルデータセットでの実験では、MuCoSは既存のモデルよりも13倍、Hits@1で7倍、Hits@3で4倍、Hits@10で18倍、MRRで6倍、Hits@1で1倍、Hits@3で3倍、Hits@10で12倍の改善が見られた。

関連論文リスト

• COMET:Combined Matrix for Elucidating Targets [6.78997744505788]
  マルチテクノロジカルなモジュラーターゲット予測ツールであるCOMETを紹介する。 厳密にキュレートされたデータでは、COMETデータベースは990,944個のドラッグとターゲットの相互作用ペアと45,035個の結合ポケットを含んでいる。 比較テストでは、COMETは他の5つのよく知られたアルゴリズムより優れており、少なくとも1つの真のターゲットを正確に特定する確率は80%近くである。
  論文  参考訳（メタデータ） (2024-12-03T14:29:47Z)
• Improving Bias Correction Standards by Quantifying its Effects on Treatment Outcomes [54.18828236350544]
  Propensity score matching (PSM) は、分析のために同等の人口を選択することで選択バイアスに対処する。 異なるマッチング手法は、すべての検証基準を満たす場合でも、同じタスクに対する平均処理効果(ATE)を著しく異なるものにすることができる。 この問題に対処するため,新しい指標A2Aを導入し,有効試合数を削減した。
  論文  参考訳（メタデータ） (2024-07-20T12:42:24Z)
• 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)
• Meta-Path-based Probabilistic Soft Logic for Drug-Target Interaction Prediction [36.08294497336554]
  薬物-標的相互作用(DTI)予測は、薬物が標的に束縛されるかどうかを予測することを目的としている。 最近提案された手法のほとんどは、DTI予測に単一のドラッグ・ドラッグ類似性およびターゲット・ターゲット類似性情報を使用する。 本稿では,ネットワークに基づく薬物と薬物の相互作用予測手法を提案する。
  論文  参考訳（メタデータ） (2023-06-25T02:30:38Z)
• 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)
• Semi-supervised Contrastive Learning with Similarity Co-calibration [72.38187308270135]
  SsCL(Semi-supervised Contrastive Learning)と呼ばれる新しいトレーニング戦略を提案する。 ssclは、自己教師付き学習におけるよく知られたコントラスト損失と、半教師付き学習におけるクロスエントロピー損失を組み合わせる。 SsCLはより差別的な表現を生じさせ,ショット学習に有益であることを示す。
  論文  参考訳（メタデータ） (2021-05-16T09:13:56Z)
• Drug-Target Interaction Prediction via an Ensemble of Weighted Nearest Neighbors with Interaction Recovery [5.8683934849211745]
  薬物とターゲットの相互作用は、構造ベースの薬物類似性および配列ベースの標的タンパク質類似性によって予測される。 既存の類似性に基づくほとんどの方法は、トランスダクティブな設定に従う。 現在のDTIデータセットにおける大量の欠落した相互作用は、ほとんどのDTI予測方法を妨げる。 WkNNIR (Weighted k Nearest Neighbor with Interaction Recovery) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-12-22T19:54:18Z)
• DTI-SNNFRA: Drug-Target interaction prediction by shared nearest neighbors and fuzzy-rough approximation [0.0]
  DTI-SNNFRA(DTI-SNNFRA)を提案する。 ROC-AUCの予測スコアは0.95と非常に良好である。
  論文  参考訳（メタデータ） (2020-09-22T19:10:10Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。