論文の概要: Predicting Drug-Drug Interactions Using Heterogeneous Graph Neural Networks: HGNN-DDI

• arxiv url: http://arxiv.org/abs/2508.18766v1
• Date: Tue, 26 Aug 2025 07:50:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 17:42:38.733985
• Title: Predicting Drug-Drug Interactions Using Heterogeneous Graph Neural Networks: HGNN-DDI
• Title（参考訳）: 不均一グラフニューラルネットワークによる薬物・薬物相互作用の予測:HGNN-DDI
• Authors: Hongbo Liu, Siyi Li, Zheng Yu,
• Abstract要約: 薬物と薬物の相互作用(DDI)は治療効果や重篤な副作用を減少させる。 複数の薬物関連データソースを統合することで、潜在的なDDIを予測するために設計されたグラフニューラルネットワークモデルであるHGNN-DDIを提案する。 ベンチマークDDIデータセットによる実験結果から,HGNN-DDIは予測精度とロバスト性において最先端のベースラインを上回っていることが示された。
• 参考スコア（独自算出の注目度）: 8.48967497162918
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Drug-drug interactions (DDIs) are a major concern in clinical practice, as they can lead to reduced therapeutic efficacy or severe adverse effects. Traditional computational approaches often struggle to capture the complex relationships among drugs, targets, and biological entities. In this work, we propose HGNN-DDI, a heterogeneous graph neural network model designed to predict potential DDIs by integrating multiple drug-related data sources. HGNN-DDI leverages graph representation learning to model heterogeneous biomedical networks, enabling effective information propagation across diverse node and edge types. Experimental results on benchmark DDI datasets demonstrate that HGNN-DDI outperforms state-of-the-art baselines in prediction accuracy and robustness, highlighting its potential to support safer drug development and precision medicine.
• Abstract（参考訳）: 薬物と薬物の相互作用(DDI)は、治療効果の低下や重篤な副作用を引き起こす可能性があるため、臨床実践において大きな関心事である。 伝統的な計算手法は、しばしば薬物、標的、生物学的実体の間の複雑な関係を捉えるのに苦労する。 本研究では、薬物関連データソースを統合することで、潜在的なDDIを予測するために設計された、異種グラフニューラルネットワークモデルであるHGNN-DDIを提案する。 HGNN-DDIはグラフ表現学習を利用して異種バイオメディカルネットワークをモデル化し、多様なノードとエッジタイプ間の効果的な情報伝達を可能にする。 ベンチマークDDIデータセットによる実験結果から、HGNN-DDIは予測精度と堅牢性において最先端のベースラインよりも優れており、より安全な薬物開発と精密医療をサポートする可能性を強調している。

関連論文リスト

• Learning to Describe for Predicting Zero-shot Drug-Drug Interactions [54.172575323610175]
  薬物と薬物の相互作用は同時投与の有効性を損なう可能性がある。 従来のDDI予測の計算手法では、知識不足のため、新しい薬物の相互作用を捉えることができない可能性がある。 言語モデルに基づくDDI予測器と強化学習(RL)に基づく情報セレクタを用いたテキストDDIを提案する。
  論文  参考訳（メタデータ） (2024-03-13T09:42:46Z)
• Learning to Denoise Biomedical Knowledge Graph for Robust Molecular Interaction Prediction [50.7901190642594]
  分子間相互作用予測のためのバイオKDN (Biomedical Knowledge Graph Denoising Network) を提案する。 BioKDNは、ノイズの多いリンクを学習可能な方法で識別することで、局所的な部分グラフの信頼性の高い構造を洗練する。 ターゲットの相互作用に関する関係を円滑にすることで、一貫性とロバストなセマンティクスを維持する。
  論文  参考訳（メタデータ） (2023-12-09T07:08:00Z)
• Accurate and interpretable drug-drug interaction prediction enabled by knowledge subgraph learning [39.66471292348325]
  本稿では,薬物と薬物の相互作用の潜在的な発見という課題に対処するグラフニューラルネットワークを用いたKnowDDIを提案する。 KnowDDIは、大きなバイオメディカル知識グラフからリッチな近隣情報を適応的に活用することで、薬物表現を強化する。 元々のオープンソースツールであるKnowDDIは、さまざまな関連するインタラクション予測タスクにおいて、可能なインタラクションを検出するのに役立ちます。
  論文  参考訳（メタデータ） (2023-11-25T15:44:28Z)
• Emerging Drug Interaction Prediction Enabled by Flow-based Graph Neural Network with Biomedical Network [69.16939798838159]
  本稿では,新興医薬品の相互作用を効果的に予測できるグラフニューラルネットワーク(GNN)であるEmerGNNを提案する。 EmerGNNは、薬物ペア間の経路を抽出し、ある薬物から他の薬物へ情報を伝達し、関連する生物学的概念を経路に組み込むことで、薬物のペアワイズ表現を学習する。 全体として、EmerGNNは、新興薬物の相互作用を予測する既存のアプローチよりも精度が高く、バイオメディカルネットワーク上で最も関連性の高い情報を特定できる。
  論文  参考訳（メタデータ） (2023-11-15T06:34:00Z)
• DDI Prediction via Heterogeneous Graph Attention Networks [0.0]
  ポリファーマシー(英: Poly Pharmacy)は、複数の薬物を併用すること。 薬物と薬物の相互作用 (DDI) は、ある薬物の作用が他の薬物と結合した場合に起こる活動である。 薬物と薬物の相互作用を予測するための新しい異種グラフアテンションモデルであるHAN-DDIを提案する。
  論文  参考訳（メタデータ） (2022-07-12T16:59:06Z)
• HyGNN: Drug-Drug Interaction Prediction via Hypergraph Neural Network [0.0]
  薬物と薬物の相互作用(DDI)は薬物の機能を妨げる可能性があり、最悪の場合、薬物の副作用(ADR)を引き起こす可能性がある。 本稿では,DDI予測問題に対するSMILES文字列のみに基づく新しいハイパーグラフニューラルネットワーク(HyGNN)モデルを提案する。 提案したHyGNNモデルは, DDIを効果的に予測し, ROC-AUCとPR-AUCを97.9%, 98.1%で比較した。
  論文  参考訳（メタデータ） (2022-06-25T22:48:27Z)
• 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)
• AttentionDDI: Siamese Attention-based Deep Learning method for drug-drug interaction predictions [0.9176056742068811]
  薬物と薬物の相互作用(DDIs)は、2つ以上の薬物の投与によって引き起こされるプロセスを指し、薬物が自分自身によって投与されるときに観察されるものを超える副作用をもたらす。 大量の薬物対が存在するため、すべての組み合わせを実験的にテストし、以前は観測されていなかった副作用を発見することはほとんど不可能である。 本稿では,複数の薬物類似度尺度を統合するddi予測のためのsiamese self-attention multi-modal neural networkを提案する。
  論文  参考訳（メタデータ） (2020-12-24T13:33:07Z)
• SumGNN: Multi-typed Drug Interaction Prediction via Efficient Knowledge Graph Summarization [64.56399911605286]
  本稿では,サブグラフ抽出モジュールによって実現された知識要約グラフニューラルネットワークSumGNNを提案する。 SumGNNは5.54%まで最高のベースラインを上回り、データ関係の低いタイプでは特にパフォーマンスの向上が顕著である。
  論文  参考訳（メタデータ） (2020-10-04T00:14:57Z)

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。