論文の概要: Network-based prediction of drug combinations with quantum annealing

• arxiv url: http://arxiv.org/abs/2512.20199v1
• Date: Tue, 23 Dec 2025 09:47:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.816632
• Title: Network-based prediction of drug combinations with quantum annealing
• Title（参考訳）: 量子アニールと薬物の組み合わせのネットワークによる予測
• Authors: Diogo Ramos, Bruno Coutinho, Duarte Magano,
• Abstract要約: 有効な薬物の組み合わせを同定するための量子アニール法に基づくアルゴリズムを提案する。 糖尿病, 慢性関節リウマチ, 喘息, 脳腫瘍に対して, 実験的に検証された薬物の組み合わせに頼って試験を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The systematic discovery of effective drug combinations is a challenging problem in modern pharmacology, driven by the combinatorial growth of potential pairings and dosage configurations. Network medicine, modeling diseases and drugs as interconnected modules of the human protein-protein interactome, has emerged as a new paradigm for understanding disease mechanisms and drug action. In this work, we propose a quantum annealing-based algorithm for identifying effective drug combinations. Underlying our approach is the biologically motivated principle of `Complementary Exposure', which posits that therapeutic drug combinations target distinct yet complementary regions of a disease module. We translate this into a quadratic unconstrained binary optimisation problem. We test our method for Diabetes Mellitus, Rheumatoid Arthritis, Asthma, and Brain Neoplasms, relying on experimentally validated drug combinations for these diseases. Our simulated quantum annealing experiments reveal that low-energy configurations align with biologically plausible combinations, demonstrating the algorithm's ability to generate novel predictions for drug combinations.
• Abstract（参考訳）: 効果的な薬物の組み合わせの体系的な発見は、潜在的なペアリングと量的構成の組合せによって引き起こされる、現代の薬理学における難しい問題である。 ヒトタンパク質-タンパク質相互作用体の相互結合モジュールとしてのネットワーク医学、疾患と薬物のモデリングは、疾患のメカニズムや薬物作用を理解するための新しいパラダイムとして登場した。 本研究では,有効な薬物の組み合わせを同定するための量子アニール法に基づくアルゴリズムを提案する。 我々のアプローチの根底にあるのは、生物学的に動機づけられた「Complementary Exposure」の原則であり、この原則は、治療薬の組み合わせが疾患モジュールの異なる相補的な領域をターゲットにしていることを示唆している。 これを2次非制約二元最適化問題に変換する。 糖尿病, 慢性関節リウマチ, 喘息, 脳腫瘍に対して, これらの疾患に対する薬物の組み合わせを実験的に検討した。 シミュレーションされた量子アニール実験により、低エネルギーな構成が生物学的に妥当な組み合わせと一致していることが判明した。

関連論文リスト

• Large Language Models in Drug Discovery and Development: From Disease Mechanisms to Clinical Trials [49.19897427783105]
  大規模言語モデル(LLM)の創薬・開発分野への統合は、重要なパラダイムシフトである。 これらの先進的な計算モデルが、ターゲット・ディスリーズ・リンクを明らかにし、複雑なバイオメディカルデータを解釈し、薬物分子設計を強化し、薬物の有効性と安全性を予測し、臨床治験プロセスを促進する方法について検討する。
  論文  参考訳（メタデータ） (2024-09-06T02:03:38Z)
• 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)
• SynerGPT: In-Context Learning for Personalized Drug Synergy Prediction and Drug Design [64.69434941796904]
  本稿では,テキスト内薬物相乗学習のための新しい設定とモデルを提案する。 特定のがん細胞標的の文脈における10～20の薬物相乗関係の「個人化データセット」を作成した。 私たちの目標は、その文脈で追加の薬物シナジー関係を予測することです。
  論文  参考訳（メタデータ） (2023-06-19T17:03:46Z)
• 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)
• RECOVER: sequential model optimization platform for combination drug repurposing identifies novel synergistic compounds in vitro [46.773794687622825]
  深層学習モデルに適用した逐次モデル最適化探索を用いて,がん細胞株に対して高い相乗効果を持つ薬物の組み合わせを迅速に発見する。 モデルによりクエリされた組み合わせの集合は、非常にシナジスティックな組み合わせに富んでいることがわかった。 臨床的に検討中であることが判明した相乗効果薬の併用が再発見された。
  論文  参考訳（メタデータ） (2022-02-07T02:54:29Z)
• DeepDDS: deep graph neural network with attention mechanism to predict synergistic drug combinations [0.9854322576538699]
  計算スクリーニングは 薬物の組み合わせを優先する重要な方法になっています DeepDDSは16%以上の予測精度で競合手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-07-06T08:25:43Z)
• 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)
• Network-principled deep generative models for designing drug combinations as graph sets [13.920460847160605]
  併用療法は副作用を軽減しつつ治療効果を向上させることが示されている。 膨大な化学空間と小さな分子の組み合わせのための不明確な設計原則に直面すると、計算薬物結合設計は、耐性に反する薬物結合の発見を加速する可能性を満たす生成モデルを見ていない。 我々は,グラフ構造化ドメイン知識を結合的に埋め込み,強化学習に基づくケミカルグラフセットデザイナを反復的に訓練することにより,薬物の組み合わせ設計のための最初の深層生成モデルを開発した。
  論文  参考訳（メタデータ） (2020-04-16T17:22:39Z)
• A Node Embedding Framework for Integration of Similarity-based Drug Combination Prediction [7.4517333921953215]
  我々は,合成薬物の組み合わせを予測するために,NEMNのネットワーク埋め込みフレームワークを提案する。 マルチプレックスドラッグ類似性ネットワークに基づいて,異なる側面から有用な情報を統合するための代替手法を提案する。 薬物併用予測では, 外部情報源で検証した新薬を7種類検出した。
  論文  参考訳（メタデータ） (2020-02-25T02:24:47Z)
• Prediction of Drug Synergy by Ensemble Learning [0.0]
  薬物相乗効果の予測における異なる化合物表現の有効性について検討した。 大規模な薬物併用画面データセットにおいて、この問題に未使用の有望な表現の使用を最初に示す。 次に、各ベースラインモデルより優れた表現モデルの組み合わせについてアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-01-07T12:21:37Z)

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。