論文の概要: MUDI: A Multimodal Biomedical Dataset for Understanding Pharmacodynamic Drug-Drug Interactions

• arxiv url: http://arxiv.org/abs/2506.01478v1
• Date: Mon, 02 Jun 2025 09:36:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:34.17502
• Title: MUDI: A Multimodal Biomedical Dataset for Understanding Pharmacodynamic Drug-Drug Interactions
• Title（参考訳）: MUDI : 薬物と薬物の相互作用を理解するためのマルチモーダルバイオメディカルデータセット
• Authors: Tung-Lam Ngo, Ba-Hoang Tran, Duy-Cat Can, Trung-Hieu Do, Oliver Y. Chén, Hoang-Quynh Le,
• Abstract要約: 本稿では,薬物と薬物の相互作用を理解するための大規模マルチモーダルバイオメディカルデータセットMUDIを紹介する。 MUDIは薬理学的テキスト、化学式、分子構造グラフ、および310,532の注釈付き薬物対にわたる画像を組み合わせることで、薬物の包括的なマルチモーダル表現を提供する。 レイトフュージョン投票と中間フュージョン戦略の両方を用いてベンチマークモデルを評価する。
• 参考スコア（独自算出の注目度）: 2.402478832656235
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Understanding the interaction between different drugs (drug-drug interaction or DDI) is critical for ensuring patient safety and optimizing therapeutic outcomes. Existing DDI datasets primarily focus on textual information, overlooking multimodal data that reflect complex drug mechanisms. In this paper, we (1) introduce MUDI, a large-scale Multimodal biomedical dataset for Understanding pharmacodynamic Drug-drug Interactions, and (2) benchmark learning methods to study it. In brief, MUDI provides a comprehensive multimodal representation of drugs by combining pharmacological text, chemical formulas, molecular structure graphs, and images across 310,532 annotated drug pairs labeled as Synergism, Antagonism, or New Effect. Crucially, to effectively evaluate machine-learning based generalization, MUDI consists of unseen drug pairs in the test set. We evaluate benchmark models using both late fusion voting and intermediate fusion strategies. All data, annotations, evaluation scripts, and baselines are released under an open research license.
• Abstract（参考訳）: 薬物間の相互作用(ドラッグ・ドラッグ・インタラクション、DDI)を理解することは、患者の安全を確保し、治療結果の最適化に重要である。 既存のDDIデータセットは主にテキスト情報に焦点を当て、複雑な薬物機構を反映したマルチモーダルデータを見渡す。 本稿では,薬物と薬物の相互作用を理解するための大規模マルチモーダルバイオメディカルデータセットMUDIと,それを研究するためのベンチマーク学習手法を紹介する。 簡単に言うと、MUDIは、薬理学的テキスト、化学式、分子構造グラフ、および、シナジズム、アンタゴニズムまたはニューエフェクトとラベル付けされた310,532個のアノテートされた薬物対にまたがる画像を組み合わせることで、薬物の包括的なマルチモーダル表現を提供する。 重要なことは、機械学習に基づく一般化を効果的に評価するために、MUDIはテストセットに見えない薬物ペアで構成されている。 レイトフュージョン投票と中間フュージョン戦略の両方を用いてベンチマークモデルを評価する。 すべてのデータ、アノテーション、評価スクリプト、ベースラインは、オープンな研究ライセンスの下でリリースされている。

関連論文リスト

• DNMDR: Dynamic Networks and Multi-view Drug Representations for Safe Medication Recommendation [9.504676133698895]
  本稿では、動的ネットワークとマルチビュードラッグ表現(DNMDR)を統合した新しい医薬勧告(MR)手法を提案する。 DNMDR法は,PRAUC, Jaccard, DDIレートなど,様々な指標において,最先端のベースラインモデルよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2025-01-15T04:36:55Z)
• 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)
• 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)
• MIN: Multi-channel Interaction Network for Drug-Target Interaction with Protein Distillation [64.4838301776267]
  マルチチャネルインタラクションネットワーク(MIN)はドラッグ・ターゲット・インタラクション(DTI)を予測するための新しいフレームワークである MINには、表現学習モジュールとマルチチャネルインタラクションモジュールが組み込まれている。 MINはDTI予測の強力なツールであるだけでなく、タンパク質結合部位の予測に関する新たな洞察も提供する。
  論文  参考訳（メタデータ） (2024-11-23T05:38:36Z)
• 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)
• Multiscale Topology in Interactomic Network: From Transcriptome to Antiaddiction Drug Repurposing [0.3683202928838613]
  米国における薬物依存の激化は、革新的な治療戦略の緊急の必要性を浮き彫りにしている。 本研究は,オピオイドおよびコカイン依存症治療の薬物再服用候補を探索するための,革新的で厳格な戦略に着手した。
  論文  参考訳（メタデータ） (2023-12-03T04:01:38Z)
• Decision Support System for Chronic Diseases Based on Drug-Drug Interactions [67.9840225237587]
  本稿では,医師の意思決定を支援するための薬物と薬物の相互作用に基づくDSSDDIと呼ばれる意思決定支援システムを提案する。 DDIモジュールは、薬物と薬物の相互作用からより安全で効果的な薬物表現を学習する。 MDモジュールは、患者と薬物の表現を文脈として、DDIと患者の類似性を治療として、薬物の使用を結果として考える。
  論文  参考訳（メタデータ） (2023-03-04T12:44:38Z)
• 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)
• 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)
• 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)
• 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)

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。