Fugu-MT 論文翻訳(概要): Heterogeneous networks in drug-target interaction prediction

論文の概要: Heterogeneous networks in drug-target interaction prediction

arxiv url: http://arxiv.org/abs/2504.16152v1
Date: Tue, 22 Apr 2025 16:09:22 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-02 19:15:52.876688
Title: Heterogeneous networks in drug-target interaction prediction
Title（参考訳）: 薬物・標的相互作用予測における不均一ネットワーク
Authors: Mohammad Molaee, Nasrollah Moghadam Charkari,
Abstract要約: 薬物と標的の相互作用を予測するグラフ機械学習手法の詳細について述べる。主に2020年から2024年にかけて刊行された。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Drug discovery requires a tremendous amount of time and cost. Computational drug-target interaction prediction, a significant part of this process, can reduce these requirements by narrowing the search space for wet lab experiments. In this survey, we provide comprehensive details of graph machine learning-based methods in predicting drug-target interaction, as they have shown promising results in this field. These details include the overall framework, main contribution, datasets, and their source codes. The selected papers were mainly published from 2020 to 2024. Prior to discussing papers, we briefly introduce the datasets commonly used with these methods and measurements to assess their performance. Finally, future challenges and some crucial areas that need to be explored are discussed.
Abstract（参考訳）: 医薬品の発見には膨大な時間と費用が要る。このプロセスの重要な部分である計算的ドラッグ・ターゲット相互作用予測は、ウェットラボ実験の探索スペースを狭めることでこれらの要求を削減できる。本調査では,この分野で有望な成果が示されたように,薬物と標的の相互作用を予測するグラフ機械学習に基づく手法の包括的詳細について述べる。これらの詳細には、フレームワーク全体、主要なコントリビューション、データセット、およびそれらのソースコードが含まれる。主に2020年から2024年にかけて刊行された。論文の議論に先立ち、これらの手法と測定法でよく使用されるデータセットを短時間で紹介し、その性能を評価する。最後に、今後の課題と検討すべきいくつかの重要な領域について論じる。

関連論文リスト

Drug-Target Interaction/Affinity Prediction: Deep Learning Models and Advances Review [4.364576564103288]
相互作用予測の課題を克服するために、ディープラーニングモデルが提示されている。薬物-標的相互作用の予測法を180件分析した。
論文参考訳（メタデータ） (2025-02-21T10:00:43Z)
Human Action Anticipation: A Survey [86.415721659234]
行動予測に関する文献は、行動予測、活動予測、意図予測、目標予測など、様々なタスクにまたがる。我々の調査は、この断片化された文献を結びつけることを目的としており、最近の技術革新とモデルトレーニングと評価のための新しい大規模データセットの開発をカバーしています。
論文参考訳（メタデータ） (2024-10-17T21:37:40Z)
New methods for drug synergy prediction: a mini-review [2.1024950052120417]
2021年以降、30以上のオリジナルの機械学習手法が出版された。我々はこれらの論文を、コア技術、データソース、入力データタイプ、およびそれらの手法で使用されるシナジースコアを強調することにより、統一されたレンズの下に置くことを目指している。我々の発見によれば、最も優れた方法は、既知の薬物や細胞株を含む相乗的予測シナリオを正確に解決する一方で、新しい薬物や細胞株を含むシナリオは、依然として正確な予測レベルには達していない。
論文参考訳（メタデータ） (2024-04-03T05:44:03Z)
Spurious Correlations in Machine Learning: A Survey [27.949532561102206]
機械学習システムは、入力とラベルの非意味的な特徴の間の素早い相関に敏感である。これらの特徴とそのラベルとの相関は"spurious"として知られている。我々は、機械学習モデルにおける素早い相関に対処する最先端の手法の分類とともに、この問題をレビューする。
論文参考訳（メタデータ） (2024-02-20T04:49:34Z)
PGraphDTA: Improving Drug Target Interaction Prediction using Protein Language Models and Contact Maps [4.590060921188914]
薬物発見の鍵となる側面は、新規な薬物標的相互作用(DT)の同定である。タンパク質-リガンド相互作用は結合親和性として知られる結合強度の連続性を示す。性能向上のための新しい改良を提案する。
論文参考訳（メタデータ） (2023-10-06T05:00:25Z)
Deep Learning Methods for Small Molecule Drug Discovery: A Survey [6.61864409597243]
薬物発見における深層学習の様々な応用を概観する。これには、分子生成、分子特性予測、レトロ合成予測、反応予測が含まれる。創薬の課題を特定し,創薬における深層学習手法の今後の動向について論じる。
論文参考訳（メタデータ） (2023-03-01T08:16:38Z)
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)
Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
論文参考訳（メタデータ） (2022-07-18T11:38:32Z)
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)
Deep Learning Schema-based Event Extraction: Literature Review and Current Trends [60.29289298349322]
ディープラーニングに基づくイベント抽出技術が研究ホットスポットとなっている。本稿では,ディープラーニングモデルに焦点をあて,最先端のアプローチを見直し,そのギャップを埋める。
論文参考訳（メタデータ） (2021-07-05T16:32:45Z)
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。