論文の概要: ADGSyn: Dual-Stream Learning for Efficient Anticancer Drug Synergy Prediction

• arxiv url: http://arxiv.org/abs/2505.19144v1
• Date: Sun, 25 May 2025 13:40:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:42.932288
• Title: ADGSyn: Dual-Stream Learning for Efficient Anticancer Drug Synergy Prediction
• Title（参考訳）: ADGSyn: 効果的な抗がん剤相乗効果予測のためのデュアルストリーム学習
• Authors: Yuxuan Nie, Yutong Song, Hong Peng,
• Abstract要約: 薬物相乗効果を予測する革新的な方法であるADGSynを提案する。 13,243個の薬物-細胞ラインの組み合わせを含むO'Neilデータセットに基づいて評価し、ADGSynは8つのベースライン法よりも優れた性能を示す。
• 参考スコア（独自算出の注目度）: 0.9064217048217067
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Drug combinations play a critical role in cancer therapy by significantly enhancing treatment efficacy and overcoming drug resistance. However, the combinatorial space of possible drug pairs grows exponentially, making experimental screening highly impractical. Therefore, developing efficient computational methods to predict promising drug combinations and guide experimental validation is of paramount importance. In this work, we propose ADGSyn, an innovative method for predicting drug synergy. The key components of our approach include: (1) shared projection matrices combined with attention mechanisms to enable cross-drug feature alignment; (2) automatic mixed precision (AMP)-optimized graph operations that reduce memory consumption by 40\% while accelerating training speed threefold; and (3) residual pathways stabilized by LayerNorm to ensure stable gradient propagation during training. Evaluated on the O'Neil dataset containing 13,243 drug--cell line combinations, ADGSyn demonstrates superior performance over eight baseline methods. Moreover, the framework supports full-batch processing of up to 256 molecular graphs on a single GPU, setting a new standard for efficiency in drug synergy prediction within the field of computational oncology.
• Abstract（参考訳）: 薬物の組み合わせは、治療効果を著しく向上し、薬剤耐性を克服することで、がん治療において重要な役割を担っている。 しかし、薬物対の組合せ空間は指数関数的に成長し、実験的なスクリーニングは非常に実用的ではない。 したがって, 予測可能な薬物の組み合わせを予測し, 実験検証を導くための効率的な計算手法の開発が重要である。 本研究では,薬物相乗効果を予測する革新的な手法であるADGSynを提案する。 提案手法の主な構成要素は,(1)クロスドラッグ機能アライメントを実現するための注意機構と共用プロジェクション行列,(2)トレーニング速度を3倍に加速しながらメモリ消費を40%削減するAMP最適化グラフ演算,(3)トレーニング中の安定な勾配伝搬を確保するためにLayerNormによって安定化された残留経路,である。 13,243個の薬物-細胞ラインの組み合わせを含むO'Neilデータセットに基づいて評価し、ADGSynは8つのベースライン法よりも優れた性能を示す。 さらに、このフレームワークは1つのGPU上で最大256個の分子グラフのフルバッチ処理をサポートし、計算オンコロジーの分野における薬物相乗効果予測の効率化のための新しい標準を設定している。

関連論文リスト

• DrugImproverGPT: A Large Language Model for Drug Optimization with Fine-Tuning via Structured Policy Optimization [53.27954325490941]
  大規模言語モデル(LLM)の微調整は、特定の目的に向けて結果を生成するために不可欠である。 本研究は,薬物最適化LSMに基づく生成モデルを微調整するための新しい強化学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-11T04:00:21Z)
• MD-Syn: Synergistic drug combination prediction based on the multidimensional feature fusion method and attention mechanisms [0.0]
  薬物併用療法は、複雑な疾患に対して有望な治療効果を示し、薬剤耐性を低下させる可能性を示している。 薬物の組み合わせの可能性は非常に多いため、従来の実験ではそれらを全てスクリーニングすることは困難である。 本研究では,多次元特徴融合法とマルチヘッドアテンション機構に基づく計算フレームワークMD-Synを提案する。
  論文  参考訳（メタデータ） (2025-01-14T06:50:56Z)
• 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)
• ALNSynergy: a graph convolutional network with multi-representation alignment for drug synergy prediction [8.316187397380244]
  薬物の組み合わせは、特定の疾患を同時に治療するための2つ以上の薬物の使用を指す。 本研究では,薬物相乗効果を予測するための多表現アライメントを備えたグラフ畳み込みネットワークであるALNSynergyを提案する。
  論文  参考訳（メタデータ） (2023-11-27T15:34:14Z)
• CongFu: Conditional Graph Fusion for Drug Synergy Prediction [8.939263684319263]
  CongFuは、薬物のシナジーを予測するために設計された条件付きグラフ融合層である。 12のベンチマークデータセット中11の最先端の結果を達成している。 薬物が遺伝子に与える影響を解明するための説明可能性戦略を提案する。
  論文  参考訳（メタデータ） (2023-05-23T20:46:17Z)
• 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)
• Improved Drug-target Interaction Prediction with Intermolecular Graph Transformer [98.8319016075089]
  本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。 分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。 IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
  論文  参考訳（メタデータ） (2021-10-14T13:28:02Z)
• DeepDDS: deep graph neural network with attention mechanism to predict synergistic drug combinations [0.9854322576538699]
  計算スクリーニングは 薬物の組み合わせを優先する重要な方法になっています DeepDDSは16%以上の予測精度で競合手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-07-06T08:25:43Z)

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。