論文の概要: A Hybrid Computational Intelligence Framework with Metaheuristic Optimization for Drug-Drug Interaction Prediction

• arxiv url: http://arxiv.org/abs/2510.09668v1
• Date: Wed, 08 Oct 2025 09:55:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:29.540053
• Title: A Hybrid Computational Intelligence Framework with Metaheuristic Optimization for Drug-Drug Interaction Prediction
• Title（参考訳）: 薬物と薬物の相互作用予測のためのメタヒューリスティック最適化を用いたハイブリッド計算インテリジェンスフレームワーク
• Authors: Maryam Abdollahi Shamami, Babak Teimourpour, Farshad Sharifi,
• Abstract要約: 薬物と薬物の相互作用(DDI)は予防可能な有害事象の主要な原因であり、しばしば治療を複雑にし、医療費を増大させる。 本稿では、DDI予測を改善するために、現代の機械学習とドメイン知識を融合した解釈可能かつ効率的なフレームワークを提案する。 提案手法は, フラグメントレベルの構造パターンをキャプチャする Mol2Vec と, 文脈化学的特徴を学習する SMILES-BERT の2つの補完的な埋め込みを組み合わせる。
• 参考スコア（独自算出の注目度）: 0.8602553195689512
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Drug-drug interactions (DDIs) are a leading cause of preventable adverse events, often complicating treatment and increasing healthcare costs. At the same time, knowing which drugs do not interact is equally important, as such knowledge supports safer prescriptions and better patient outcomes. In this study, we propose an interpretable and efficient framework that blends modern machine learning with domain knowledge to improve DDI prediction. Our approach combines two complementary molecular embeddings - Mol2Vec, which captures fragment-level structural patterns, and SMILES-BERT, which learns contextual chemical features - together with a leakage-free, rule-based clinical score (RBScore) that injects pharmacological knowledge without relying on interaction labels. A lightweight neural classifier is then optimized using a novel three-stage metaheuristic strategy (RSmpl-ACO-PSO), which balances global exploration and local refinement for stable performance. Experiments on real-world datasets demonstrate that the model achieves high predictive accuracy (ROC-AUC 0.911, PR-AUC 0.867 on DrugBank) and generalizes well to a clinically relevant Type 2 Diabetes Mellitus cohort. Beyond raw performance, studies show how embedding fusion, RBScore, and the optimizer each contribute to precision and robustness. Together, these results highlight a practical pathway for building reliable, interpretable, and computationally efficient models that can support safer drug therapies and clinical decision-making.
• Abstract（参考訳）: 薬物と薬物の相互作用(DDI)は予防可能な有害事象の主要な原因であり、しばしば治療を複雑にし、医療費を増大させる。 同時に、どの薬物が相互作用しないかを知ることは同様に重要である。 本研究では、DDI予測を改善するために、現代の機械学習とドメイン知識を融合した解釈可能かつ効率的なフレームワークを提案する。 提案手法は, フラグメントレベルの構造パターンをキャプチャする Mol2Vec と, コンテキスト化学的特徴を学習する SMILES-BERT と, 相互作用ラベルに依存することなく薬理学的知識を注入する RBScore との組み合わせである。 軽量なニューラル分類器は、3段階のメタヒューリスティック戦略 (RSmpl-ACO-PSO) を用いて最適化される。 実世界のデータセットの実験では、このモデルは高い予測精度(ROC-AUC 0.911, PR-AUC 0.867 on DrugBank)を達成し、臨床に関係のあるタイプ2糖尿病コホートによく一般化している。 生のパフォーマンス以外にも、組み込みフュージョン、RBScore、オプティマイザのそれぞれが精度と堅牢性にどのように貢献するかが研究によって示されている。 これらの結果は、より安全な薬物療法と臨床的意思決定を支援する、信頼性があり、解釈可能で、計算的に効率的なモデルを構築するための実践的な道筋を浮き彫りにしている。

関連論文リスト

• Retrieval Augmented Large Language Model System for Comprehensive Drug Contraindications [0.0]
  大規模言語モデル(LLM)の汎用性は、様々な分野にわたって検討されてきたが、医療への応用には課題がある。 本研究では,レトリーバル拡張生成(RAG)パイプラインを実装することにより,LLMの対位法に効果的に対応する能力を高める。
  論文  参考訳（メタデータ） (2025-08-08T09:09:03Z)
• DPASyn: Mechanism-Aware Drug Synergy Prediction via Dual Attention and Precision-Aware Quantization [2.8158058913878268]
  薬物の組み合わせはがん治療において必須であり、抗がん剤と薬物の相互作用(DDI)を活用して効果と戦闘抵抗性を高める。 二重注意機構と精度認識量子化(PAQ)を備えた新しい薬物相乗効果予測フレームワークDPASynを提案する。 デュアルアテンションアーキテクチャは、ドラッグ内構造とドラッグ間相互作用を共有プロジェクションとクロスドラッグアテンションを通じて共同でモデル化し、きめ細かな生物学的に妥当な相乗効果モデリングを可能にする。
  論文  参考訳（メタデータ） (2025-05-25T13:40:13Z)
• Multimodal AI predicts clinical outcomes of drug combinations from preclinical data [38.31103891121078]
  マドリガル(Madrigal)は、構造、経路、細胞生存性、転写データから学習し、薬物結合効果を予測するマルチモーダルAIモデルである。 Madrigalは、注意ボトルネックモジュールを使用して、前臨床薬のデータモダリティを統一する。 単一モダリティ法や最先端のモデルより優れており、有害な薬物相互作用を予測する。
  論文  参考訳（メタデータ） (2025-03-04T16:55:14Z)
• 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)
• drGT: Attention-Guided Gene Assessment of Drug Response Utilizing a Drug-Cell-Gene Heterogeneous Network [8.664433151000255]
  drGTは、注意係数(AC)を用いたバイオマーカー識別の感度と支援を予測するグラフ深層学習モデルである このモデルは、Sanger GDSC、NCI60、Broad CTRPという、幅広い薬物やがん細胞株をカバーする主要なベンチマークデータセットを使用して、トレーニングされ、評価されている。
  論文  参考訳（メタデータ） (2024-05-14T22:16:52Z)
• Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
  AIによる薬物発見の大きな課題は、高品質なデータの不足である。 薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。 実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
  論文  参考訳（メタデータ） (2024-04-16T07:42:55Z)
• 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)
• HINT: Hierarchical Interaction Network for Trial Outcome Prediction Leveraging Web Data [56.53715632642495]
  臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。 本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
  論文  参考訳（メタデータ） (2021-02-08T15:09:07Z)
• Discovering Synergistic Drug Combinations for COVID with Biological Bottleneck Models [38.637412590671865]
  薬物と薬物の相互作用と相乗効果を共同で学習するリンパ球学的ボトルネックモデルを提案する。 このモデルは、ドラッグ・ターゲット・インタラクションとターゲット・ディスリーズ・アソシエーション・モジュールの2つの部分から構成される。 我々は米国国立翻訳科学センターでモデル予測を実験的に検証した。
  論文  参考訳（メタデータ） (2020-11-09T03:30:44Z)
• Deep Learning for Virtual Screening: Five Reasons to Use ROC Cost Functions [80.12620331438052]
  深層学習は サイリコの何十億もの分子を 迅速にスクリーニングする 重要なツールとなりました その重要性にもかかわらず、厳密なクラス不均衡、高い決定しきい値、いくつかのデータセットにおける基底真理ラベルの欠如など、これらのモデルのトレーニングにおいて重大な課題が続いている。 このような場合、クラス不均衡に対するロバスト性から、レシーバ動作特性(ROC)を直接最適化することを好んで論じる。
  論文  参考訳（メタデータ） (2020-06-25T08:46:37Z)

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。