論文の概要: Blend the Separated: Mixture of Synergistic Experts for Data-Scarcity Drug-Target Interaction Prediction

• arxiv url: http://arxiv.org/abs/2503.15796v1
• Date: Thu, 20 Mar 2025 02:27:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-21 16:35:34.748658
• Title: Blend the Separated: Mixture of Synergistic Experts for Data-Scarcity Drug-Target Interaction Prediction
• Title（参考訳）: Blend the Separated: Data-Scarcity Drug-Target Interaction Predictionのための相乗的専門家の混在
• Authors: Xinlong Zhai, Chunchen Wang, Ruijia Wang, Jiazheng Kang, Shujie Li, Boyu Chen, Tengfei Ma, Zikai Zhou, Cheng Yang, Chuan Shi,
• Abstract要約: 薬物と標的の相互作用予測(DTI)は、薬物発見や臨床応用を含む様々な用途において不可欠である。 DTIの予測で広く使われている入力データには2つの視点がある: 内因性データは薬物や標的の作り方を表し、外因性データは薬物や標的が他の生物学的実体とどのように関連しているかを表す。 入力データおよび/またはラベル不足下でのDTI予測に最初に取り組む手法を提案する。
• 参考スコア（独自算出の注目度）: 39.410724831865245
• License:
• Abstract: Drug-target interaction prediction (DTI) is essential in various applications including drug discovery and clinical application. There are two perspectives of input data widely used in DTI prediction: Intrinsic data represents how drugs or targets are constructed, and extrinsic data represents how drugs or targets are related to other biological entities. However, any of the two perspectives of input data can be scarce for some drugs or targets, especially for those unpopular or newly discovered. Furthermore, ground-truth labels for specific interaction types can also be scarce. Therefore, we propose the first method to tackle DTI prediction under input data and/or label scarcity. To make our model functional when only one perspective of input data is available, we design two separate experts to process intrinsic and extrinsic data respectively and fuse them adaptively according to different samples. Furthermore, to make the two perspectives complement each other and remedy label scarcity, two experts synergize with each other in a mutually supervised way to exploit the enormous unlabeled data. Extensive experiments on 3 real-world datasets under different extents of input data scarcity and/or label scarcity demonstrate our model outperforms states of the art significantly and steadily, with a maximum improvement of 53.53%. We also test our model without any data scarcity and it still outperforms current methods.
• Abstract（参考訳）: 薬物と標的の相互作用予測(DTI)は、薬物発見や臨床応用を含む様々な用途において不可欠である。 DTIの予測で広く使われている入力データには2つの視点がある: 内因性データは薬物や標的の作り方を表し、外因性データは薬物や標的が他の生物学的実体とどのように関連しているかを表す。 しかしながら、入力データの2つの視点は、いくつかの薬物や標的、特に不人気または新しく発見された薬には不足する可能性がある。 さらに、特定の相互作用タイプのための接地構造ラベルも不足する可能性がある。 そこで本稿では,入力データおよび/またはラベル不足下でのDTI予測に最初に取り組む手法を提案する。 入力データの1つの視点しか持たない場合にモデルを機能させるため、本質的なデータと外生的なデータをそれぞれ処理し、異なるサンプルに適応的に融合する2つの専門家を設計する。 さらに、2つの視点が相互に補完し、ラベルの不足を補うために、2人の専門家が相互に監督された方法で相互に連携し、巨大なラベルのないデータを活用する。 入力データの不足度やラベルの不足度が異なる3つの実世界のデータセットに対する大規模な実験により、我々のモデルは、最大53.53%の改善とともに、芸術の状態を著しく、着実に改善することを示した。 データ不足を伴わずにモデルをテストし、今でも現在のメソッドよりも優れています。

関連論文リスト

• KITE-DDI: A Knowledge graph Integrated Transformer Model for accurately predicting Drug-Drug Interaction Events from Drug SMILES and Biomedical Knowledge Graph [0.11049608786515838]
  薬物と薬物の相互作用(DDI)は、身体の損傷や死に至ることがある。 DDIイベントを予測するための現代の研究は、バイオメディカル知識グラフ(KG)または薬物SMILESの情報に依存する。 本研究では,エンドツーエンドの完全自動機械学習パイプラインを生成するために,KG統合トランスフォーマーアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-12-08T00:49:57Z)
• 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)
• Modular multi-source prediction of drug side-effects with DruGNN [3.229607826010618]
  薬物副作用(DSE)は公衆衛生、医療システムコスト、薬物発見プロセスに高い影響を与える。 それらの発生を予測するためには、異種源からのデータを統合する必要がある。 この研究において、そのような異種データはグラフデータセットに統合され、異なるエンティティ間の関係情報を表現的に表現する。 グラフニューラルネットワーク(GNN)は、データセット上のDSEを非常に有望な結果で予測するために利用される。
  論文  参考訳（メタデータ） (2022-02-15T09:41:05Z)
• Discovering Drug-Target Interaction Knowledge from Biomedical Literature [107.98712673387031]
  人体における薬物と標的(DTI)の相互作用は、生物医学や応用において重要な役割を担っている。 毎年何百万もの論文がバイオメディカル分野で出回っているので、文学からDTIの知識を自動的に発見することは、業界にとって急激な需要となっている。 生成的アプローチを用いて,この課題に対する最初のエンドツーエンドソリューションについて検討する。 我々はDTI三重項をシーケンスとみなし、Transformerベースのモデルを使ってエンティティや関係の詳細なアノテーションを使わずに直接生成する。
  論文  参考訳（メタデータ） (2021-09-27T17:00:14Z)
• DIVERSE: bayesian Data IntegratiVE learning for precise drug ResponSE prediction [27.531532648298768]
  DIVERSEは、細胞株、薬物、遺伝子相互作用のデータから薬物応答を予測するフレームワークです。 ステップ的な方法でデータソースを体系的に統合し、各追加データセットの重要性を順番に検証する。 3つの最先端のアプローチを含む他の5つの方法を明らかに上回る。
  論文  参考訳（メタデータ） (2021-03-31T12:40:00Z)
• Predicting Drug-Drug Interactions from Heterogeneous Data: An Embedding Approach [20.87835183671462]
  薬物構造画像、薬物構造文字列表現、薬物関係のリレーショナル表現などの複数のデータソースを入力として使用する最初の作品を紹介します。 スタンドアロンの異なるデータ型を用いたいくつかの最先端の手法に対する実証的評価は、DDIの予測における異種データの組み合わせの有効性を明確に示しています。
  論文  参考訳（メタデータ） (2021-03-19T17:25:48Z)
• Dual-Teacher: Integrating Intra-domain and Inter-domain Teachers for Annotation-efficient Cardiac Segmentation [65.81546955181781]
  本稿では,新しい半教師付きドメイン適応手法,すなわちDual-Teacherを提案する。 学生モデルは、2つの教師モデルによってラベル付けされていない対象データとラベル付けされた情報源データの知識を学習する。 提案手法では, ラベルなしデータとモダリティ間データとを並列に利用でき, 性能が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-13T10:00:44Z)
• MolTrans: Molecular Interaction Transformer for Drug Target Interaction Prediction [68.5766865583049]
  薬物標的相互作用(DTI)予測は、シリコ薬物発見の基本的な課題である。 近年、DTI予測におけるディープラーニングの進歩が期待されている。 これらの制約に対処する分子間相互作用変換器(TransMol)を提案する。
  論文  参考訳（メタデータ） (2020-04-23T18:56:04Z)
• 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。