論文の概要: BiBLDR: Bidirectional Behavior Learning for Drug Repositioning

• arxiv url: http://arxiv.org/abs/2505.23861v1
• Date: Thu, 29 May 2025 08:20:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 19:47:52.579389
• Title: BiBLDR: Bidirectional Behavior Learning for Drug Repositioning
• Title（参考訳）: BiBLDR:医薬品再配置のための双方向行動学習
• Authors: Renye Zhang, Mengyun Yang, Qichang Zhao, Jianxin Wang,
• Abstract要約: 薬物再配置は、新しい薬物の開発に伴う時間と費用を削減するために、既存の薬物に対する潜在的な新しい徴候を特定することを目的としている。 薬物再配置のための双方向行動学習戦略(BiBLDR)を提案する。 この革新的な枠組みは、薬物と薬物の相互作用パターンを捉えるための行動シーケンシャルな学習課題として、薬物再配置を再定義する。
• 参考スコア（独自算出の注目度）: 6.8413537951016306
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Drug repositioning aims to identify potential new indications for existing drugs to reduce the time and financial costs associated with developing new drugs. Most existing deep learning-based drug repositioning methods predominantly utilize graph-based representations. However, graph-based drug repositioning methods struggle to perform effective inference in cold-start scenarios involving novel drugs because of the lack of association information with the diseases. Unlike traditional graph-based approaches, we propose a bidirectional behavior learning strategy for drug repositioning, known as BiBLDR. This innovative framework redefines drug repositioning as a behavior sequential learning task to capture drug-disease interaction patterns. First, we construct bidirectional behavioral sequences based on drug and disease sides. The consideration of bidirectional information ensures a more meticulous and rigorous characterization of the behavioral sequences. Subsequently, we propose a two-stage strategy for drug repositioning. In the first stage, we construct prototype spaces to characterize the representational attributes of drugs and diseases. In the second stage, these refined prototypes and bidirectional behavior sequence data are leveraged to predict potential drug-disease associations. Based on this learning approach, the model can more robustly and precisely capture the interactive relationships between drug and disease features from bidirectional behavioral sequences. Extensive experiments demonstrate that our method achieves state-of-the-art performance on benchmark datasets. Meanwhile, BiBLDR demonstrates significantly superior performance compared to previous methods in cold-start scenarios. Our code is published in https://github.com/Renyeeah/BiBLDR.
• Abstract（参考訳）: 薬物再配置は、新しい薬物の開発に伴う時間と費用を削減するために、既存の薬物に対する潜在的な新しい徴候を特定することを目的としている。 既存のディープラーニングベースの薬物再配置法の多くは、主にグラフベースの表現を利用している。 しかし、グラフベースの薬物再配置法は、疾患との関連情報が欠如していることから、新規薬物を含むコールドスタートシナリオにおいて効果的な推論を行うのに苦慮している。 従来のグラフベースのアプローチとは違って,biBLDRとして知られる薬物再配置のための双方向な行動学習戦略を提案する。 この革新的な枠組みは、薬物と薬物の相互作用パターンを捉えるための行動シーケンシャルな学習課題として、薬物再配置を再定義する。 まず、薬物と疾患の側面に基づく双方向の行動配列を構築する。 双方向情報の考慮により、行動シーケンスのより綿密で厳密な特性が保証される。 その後,薬物再配置のための2段階戦略を提案する。 第1段階では,薬物や疾患の表現特性を特徴付けるためのプロトタイプ空間を構築した。 第2段階では、これらの改良されたプロトタイプと双方向の行動シーケンスデータを利用して、潜在的な薬物放出関連を予測する。 この学習アプローチに基づいて、このモデルは双方向の行動系列から薬物と疾患の特徴の間の相互作用関係をより堅牢かつ正確に捉えることができる。 大規模な実験により,本手法がベンチマークデータセットの最先端性能を実現することを示す。 一方、BiBLDRは、コールドスタートシナリオにおける従来の手法に比べて、はるかに優れた性能を示している。 私たちのコードはhttps://github.com/Renyeeah/BiBLDR.comで公開されています。

関連論文リスト

• Relation-aware graph structure embedding with co-contrastive learning for drug-drug interaction prediction [4.639653766590366]
  相関学習を併用した関係認識グラフ構造に基づく新しいDDI予測手法であるRaGSECoを提案する。 提案したRaGSECoは, マルチリレーショナルDDIグラフとマルチアトリビュートドラッグ・ドラッグ類似性(DDS)グラフの2つの異種薬物グラフを構築した。 薬物対表現(DP)を学習するための新しいコントラスト学習モジュールを提案する。
  論文  参考訳（メタデータ） (2023-07-04T06:41:50Z)
• 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)
• Knowledge-Driven New Drug Recommendation [88.35607943144261]
  既存の薬物と新薬のギャップを埋めるために, 薬物依存型マルチフェノタイプ数発学習機を開発した。 EDGEは外部薬効知識ベースを用いて偽陰性監視信号を除去する。 その結果, EDGEは, ROC-AUCスコアよりも7.3%向上していることがわかった。
  論文  参考訳（メタデータ） (2022-10-11T16:07:52Z)
• Distributed representations of graphs for drug pair scoring [4.277733268268646]
  薬物対スコアリングの文脈において,グラフの分散表現をモデルに組み込むことの実用性と有用性について検討する。 本稿では,ドラッグペアスコアリングのための統一フレームワークにおいて,グラフの分散表現を学習し,組み込む手法を提案する。 これらの埋め込みを組み込むことで、薬物対スコアリングタスクのほぼ全てのモデルの下流性能が向上することが実証的に示される。
  論文  参考訳（メタデータ） (2022-09-19T23:35:26Z)
• 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)
• Deep learning for drug repurposing: methods, databases, and applications [54.08583498324774]
  新しい治療法のために既存の薬物を再利用することは、実験コストの低減で薬物開発を加速する魅力的な解決策である。 本稿では,薬物再資源化のための深層学習手法とツールの活用に関するガイドラインを紹介する。
  論文  参考訳（メタデータ） (2022-02-08T09:42:08Z)
• Modeling Pharmacological Effects with Multi-Relation Unsupervised Graph Embedding [4.999039245939572]
  本稿では,薬物や疾患の潜伏表現を学習するマルチリレーションな教師なしグラフ埋め込みモデルに基づく手法を提案する。 薬物と疾患の表現が得られれば、薬物と疾患の間の新しいつながり(つまり、新しい兆候)の可能性を学習する。 既知の薬物の表示は、潜在的な表示を予測するモデルを学ぶために使用される。
  論文  参考訳（メタデータ） (2020-04-30T14:51:25Z)
• 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。