論文の概要: SMPR: A structure-enhanced multimodal drug-disease prediction model for drug repositioning and cold start

• arxiv url: http://arxiv.org/abs/2503.13322v1
• Date: Mon, 17 Mar 2025 15:59:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 15:59:17.870011
• Title: SMPR: A structure-enhanced multimodal drug-disease prediction model for drug repositioning and cold start
• Title（参考訳）: SMPR(Multimodal drug-disease Prediction Model)による薬物再配置と冷間開始の予測
• Authors: Xin Dong, Rui Miao, Suyan Zhang, Shuaibing Jia, Leifeng Zhang, Yong Liang, Jianhua Zhang, Yi Zhun Zhu,
• Abstract要約: 本稿では,構造強化型マルチモーダル関係予測モデル(SMRP)を提案する。 SMRPは薬物のSMILE構造に基づいており、Mol2VEC法を用いて薬物の埋め込み表現を生成する。 利用者の使いやすさを軽減するため、SMPRは構造的類似性に基づいたコールドスタートインタフェースも提供する。
• 参考スコア（独自算出の注目度）: 9.138126577982314
• License:
• Abstract: Repositioning drug-disease relationships has always been a hot field of research. However, actual cases of biologically validated drug relocation remain very limited, and existing models have not yet fully utilized the structural information of the drug. Furthermore, most repositioning models are only used to complete the relationship matrix, and their practicality is poor when dealing with drug cold start problems. This paper proposes a structure-enhanced multimodal relationship prediction model (SMRP). SMPR is based on the SMILE structure of the drug, using the Mol2VEC method to generate drug embedded representations, and learn disease embedded representations through heterogeneous network graph neural networks. Ultimately, a drug-disease relationship matrix is constructed. In addition, to reduce the difficulty of users' use, SMPR also provides a cold start interface based on structural similarity based on reposition results to simply and quickly predict drug-related diseases. The repositioning ability and cold start capability of the model are verified from multiple perspectives. While the AUC and ACUPR scores of repositioning reach 99% and 61% respectively, the AUC of cold start achieve 80%. In particular, the cold start Recall indicator can reach more than 70%, which means that SMPR is more sensitive to positive samples. Finally, case analysis is used to verify the practical value of the model and visual analysis directly demonstrates the improvement of the structure to the model. For quick use, we also provide local deployment of the model and package it into an executable program.
• Abstract（参考訳）: 薬物と薬物の関係の再配置は、常にホットな研究分野である。 しかし、生物学的に検証された薬物の移動の実際の症例は非常に限られており、既存のモデルはまだ薬物の構造情報を十分に利用していない。 さらに、ほとんどの再配置モデルは関係行列を完遂するためにのみ使用され、薬品のコールドスタート問題に対処する際の実用性は乏しい。 本稿では,構造強化型マルチモーダル関係予測モデル(SMRP)を提案する。 SMPRは薬物のSMILE構造に基づいており、Mol2VEC法を用いて薬物の組込み表現を生成し、異種ネットワークグラフニューラルネットワークを介して病気の組込み表現を学習する。 最終的には、薬物放出関係マトリックスが構築される。 さらに, SMPRは, 使用の困難さを軽減するため, 再配置結果に基づく構造的類似性に基づくコールドスタートインタフェースも提供し, 薬物関連疾患の簡易かつ迅速な予測を行う。 モデルの再配置能力とコールドスタート能力は、複数の観点から検証される。 AUCとACUPRは、それぞれ99%と61%に達するが、AUCのコールドスタートは80%に達する。 特に、コールドスタートリコールインジケータは70%以上に達する可能性があるため、SMPRは陽性サンプルに対してより敏感である。 最後に、ケース分析を用いてモデルの実用的価値を検証し、視覚解析はモデルに対する構造の改善を直接的に示す。 迅速な使用のために、モデルのローカルデプロイメントを提供し、実行可能なプログラムにパッケージ化します。

関連論文リスト

• Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
  目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。 回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
  論文  参考訳（メタデータ） (2024-05-23T13:22:17Z)
• 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)
• Optimizing OOD Detection in Molecular Graphs: A Novel Approach with Diffusion Models [71.39421638547164]
  本稿では,入力分子と再構成グラフの類似性を比較する補助拡散モデルに基づくフレームワークを用いてOOD分子を検出することを提案する。 IDトレーニングサンプルの再構成に向けた生成バイアスのため、OOD分子の類似度スコアは検出を容易にするためにはるかに低い。 本研究は,PGR-MOOD(PGR-MOOD)とよばれる分子OOD検出のためのプロトタイプグラフ再構成のアプローチを開拓し,3つのイノベーションを生かした。
  論文  参考訳（メタデータ） (2024-04-24T03:25:53Z)
• Investigating the Robustness of Counterfactual Learning to Rank Models: A Reproducibility Study [61.64685376882383]
  ランク付け学習(CLTR: Counterfactual Learning to rank)は、IRコミュニティにおいて、ログ化された大量のユーザインタラクションデータを活用してランキングモデルをトレーニングする能力において、大きな注目を集めている。 本稿では,複雑かつ多様な状況における既存のCLTRモデルのロバスト性について検討する。 その結果, DLAモデルとIPS-DCMは, PS-PBMやPSSよりも, オフラインの確率推定による堅牢性が高いことがわかった。
  論文  参考訳（メタデータ） (2024-04-04T10:54:38Z)
• A Deep Neural Network -- Mechanistic Hybrid Model to Predict Pharmacokinetics in Rat [0.0]
  本研究では, 先に開発したハイブリッドモデルを改良する。 口腔全露出の中央値は2.85から2.35に減少し,静脈内投与は1.95から1.62に低下した。 純粋な機械学習モデルとは対照的に、我々のモデルはトレーニングされていない新しいエンドポイントを予測することができる。
  論文  参考訳（メタデータ） (2023-10-13T15:01:55Z)
• 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)
• Molecular Substructure-Aware Network for Drug-Drug Interaction Prediction [10.157966744159491]
  薬物の併用投与は薬物と薬物の相互作用(DDI)を引き起こす 薬物対の分子構造から潜在的DDIを効果的に予測する新しいモデルである分子サブストラクチャー・アウェア・ネットワーク(MSAN)を提案する。
  論文  参考訳（メタデータ） (2022-08-24T02:06:21Z)
• 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)
• Relational graph convolutional networks for predicting blood-brain barrier penetration of drug molecules [12.041672273431994]
  薬物分子のBBB透過能の評価は、脳薬物開発における重要なステップである。 関連グラフ畳み込みネットワーク(RGCN)を用いて,各薬剤の特徴だけでなく,薬物とタンパク質の関係も扱う。 この性能はすでに有望であり、BBB透過性の予測において、薬物-タンパク質/ドラッグ関係が重要な役割を担っていることを証明した。
  論文  参考訳（メタデータ） (2021-07-04T15:56:02Z)
• Hybrid Attentional Memory Network for Computational drug repositioning [0.0]
  コールドスタート問題は、常に計算薬物再配置の分野で大きな課題であった。 本稿では,CFモデルの2つのクラスを非線形に結合した階層型アーキテクチャであるHAMNモデルを提案する。 提案するHAMNモデルは、AUC, AUPR, HR指標により、他の比較モデルよりも優れている。
  論文  参考訳（メタデータ） (2020-06-12T02:12:32Z)
• 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)

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。