論文の概要: DeepDR: an integrated deep-learning model web server for drug repositioning

• arxiv url: http://arxiv.org/abs/2511.08921v1
• Date: Thu, 13 Nov 2025 01:18:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.301627
• Title: DeepDR: an integrated deep-learning model web server for drug repositioning
• Title（参考訳）: DeepDR: 薬物再配置のための統合型ディープラーニングモデルWebサーバ
• Authors: Shuting Jin, Yi Jiang, Yimin Liu, Tengfei Ma, Dongsheng Cao, Leyi Wei, Xiangrong Liu, Xiangxiang Zeng,
• Abstract要約: DeepDRは、疾患とターゲット特異的な薬物再配置タスクのための、さまざまな確立されたディープラーニングモデルを組み合わせた、最初の統合プラットフォームである。 推奨された結果には、推奨薬物の詳細な説明と、知識グラフを通じて解釈可能なキーパターンの可視化が含まれる。
• 参考スコア（独自算出の注目度）: 27.366843547451225
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Background: Identifying new indications for approved drugs is a complex and time-consuming process that requires extensive knowledge of pharmacology, clinical data, and advanced computational methods. Recently, deep learning (DL) methods have shown their capability for the accurate prediction of drug repositioning. However, implementing DL-based modeling requires in-depth domain knowledge and proficient programming skills. Results: In this application, we introduce DeepDR, the first integrated platform that combines a variety of established DL-based models for disease- and target-specific drug repositioning tasks. DeepDR leverages invaluable experience to recommend candidate drugs, which covers more than 15 networks and a comprehensive knowledge graph that includes 5.9 million edges across 107 types of relationships connecting drugs, diseases, proteins/genes, pathways, and expression from six existing databases and a large scientific corpus of 24 million PubMed publications. Additionally, the recommended results include detailed descriptions of the recommended drugs and visualize key patterns with interpretability through a knowledge graph. Conclusion: DeepDR is free and open to all users without the requirement of registration. We believe it can provide an easy-to-use, systematic, highly accurate, and computationally automated platform for both experimental and computational scientists.
• Abstract（参考訳）: 背景:承認された薬物に対する新しい表示を同定することは、薬理学、臨床データ、高度な計算方法に関する広範な知識を必要とする複雑で時間を要するプロセスである。 近年、深層学習(DL)法は、薬物再配置の正確な予測能力を示している。 しかし、DLベースのモデリングを実装するには、深いドメイン知識と熟練したプログラミングスキルが必要である。 結果: 本アプリケーションでは, 病原性および標的特異的薬物再配置タスクのための, DLベースの多種多様なモデルを組み合わせた, 初の統合プラットフォームであるDeepDRを導入する。 DeepDRは15以上のネットワークと、薬物、疾患、タンパク質/遺伝子、経路、既存の6つのデータベースからの表現、および2400万のPubMed出版物を含む107種類の関係の5.9百万のエッジを含む包括的な知識グラフを含んでいる。 さらに推奨された結果には、推奨薬物の詳細な説明や、知識グラフを通じて解釈可能なキーパターンの可視化が含まれる。 結論: DeepDRは無料であり、登録の必要なしにすべてのユーザーに開放されている。 実験科学者と計算科学者の両方にとって、使いやすく、体系的で、高度に正確で、そして計算的に自動化されたプラットフォームを提供できると信じています。

関連論文リスト

• Comprehensive evaluation of deep and graph learning on drug-drug interactions prediction [43.5957881547028]
  近年の人工知能(AI)や深層学習モデル、グラフ学習モデルは、生体医学的応用において有用性を確立している。 DDI(DDI)は、ある薬物が人体に別の薬物が存在することに対する効果の変化を指す。 高度なAIとディープラーニングを正しく適用するために、開発者とユーザは、データリソースの可用性やエンコーディングなど、さまざまな課題に直面する。
  論文  参考訳（メタデータ） (2023-06-08T14:54:50Z)
• 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)
• Medical Knowledge Graph QA for Drug-Drug Interaction Prediction based on Multi-hop Machine Reading Comprehension [18.34651382394962]
  本稿では,MedKGQAと呼ばれる医療知識グラフ質問応答モデルを提案する。 クローズドドメイン文献からの機械読解を利用してドラッグ・ドラッグ相互作用を予測し、オープンドメイン文書からドラッグ・タンパク質三重項の知識グラフを構築する。 提案モデルでは,従来のカンガルー・メドホップデータセットの最先端モデルと比較して薬物と薬物の相互作用予測の精度が4.5%向上した。
  論文  参考訳（メタデータ） (2022-12-19T12:24:32Z)
• ImDrug: A Benchmark for Deep Imbalanced Learning in AI-aided Drug Discovery [79.08833067391093]
  現実世界の医薬品のデータセットは、しばしば高度に不均衡な分布を示す。 ImDrugはオープンソースのPythonライブラリを備えたベンチマークで、4つの不均衡設定、11のAI対応データセット、54の学習タスク、16のベースラインアルゴリズムで構成されています。 ドラッグ発見パイプラインの幅広い範囲にまたがる問題やソリューションに対して、アクセス可能でカスタマイズ可能なテストベッドを提供する。
  論文  参考訳（メタデータ） (2022-09-16T13:35:57Z)
• 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)
• A Review of Biomedical Datasets Relating to Drug Discovery: A Knowledge Graph Perspective [4.746544835197422]
  薬物発見分野に新しい技術を適用することに興味を持つ機械学習や知識グラフの実践者を支援することを目的としている。 様々な創薬中心の知識グラフの構築に適した情報を含む公開のプライマリデータソースを詳細に説明します。
  論文  参考訳（メタデータ） (2021-02-19T17:49:38Z)
• DeepPurpose: a Deep Learning Library for Drug-Target Interaction Prediction [69.7424023336611]
  DeepPurposeは、DTI予測のための包括的で使いやすいディープラーニングライブラリである。 15の複合およびタンパク質エンコーダと50以上のニューラルアーキテクチャを実装することで、カスタマイズされたDTI予測モデルのトレーニングをサポートする。 複数のベンチマークデータセット上でDeepPurposeの最先端性能を示す。
  論文  参考訳（メタデータ） (2020-04-19T17:31:55Z)

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。