論文の概要: OPBench: A Graph Benchmark to Combat the Opioid Crisis

• arxiv url: http://arxiv.org/abs/2602.14602v1
• Date: Mon, 16 Feb 2026 10:04:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 16:22:50.36143
• Title: OPBench: A Graph Benchmark to Combat the Opioid Crisis
• Title（参考訳）: OPBench: Opioid危機に対処するためのグラフベンチマーク
• Authors: Tianyi Ma, Yiyang Li, Yiyue Qian, Zheyuan Zhang, Zehong Wang, Chuxu Zhang, Yanfang Ye,
• Abstract要約: グラフ学習法は、複雑な薬物関連現象をモデル化するための有望なパラダイムとして登場した。 実際のオピオイド危機シナリオにまたがってこれらの手法を体系的に評価するための包括的なベンチマークはない。 OPBenchは、3つの重要なアプリケーションドメインにわたる5つのデータセットからなる最初の包括的なオピオイドベンチマークである。
• 参考スコア（独自算出の注目度）: 50.31950155687914
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The opioid epidemic continues to ravage communities worldwide, straining healthcare systems, disrupting families, and demanding urgent computational solutions. To combat this lethal opioid crisis, graph learning methods have emerged as a promising paradigm for modeling complex drug-related phenomena. However, a significant gap remains: there is no comprehensive benchmark for systematically evaluating these methods across real-world opioid crisis scenarios. To bridge this gap, we introduce OPBench, the first comprehensive opioid benchmark comprising five datasets across three critical application domains: opioid overdose detection from healthcare claims, illicit drug trafficking detection from digital platforms, and drug misuse prediction from dietary patterns. Specifically, OPBench incorporates diverse graph structures, including heterogeneous graphs and hypergraphs, to preserve the rich and complex relational information among drug-related data. To address data scarcity, we collaborate with domain experts and authoritative institutions to curate and annotate datasets while adhering to privacy and ethical guidelines. Furthermore, we establish a unified evaluation framework with standardized protocols, predefined data splits, and reproducible baselines to facilitate fair and systematic comparison among graph learning methods. Through extensive experiments, we analyze the strengths and limitations of existing graph learning methods, thereby providing actionable insights for future research in combating the opioid crisis. Our source code and datasets are available at https://github.com/Tianyi-Billy-Ma/OPBench.
• Abstract（参考訳）: オピオイドの流行は世界中のコミュニティを荒廃させ続けており、医療制度を悪化させ、家族を混乱させ、緊急の計算ソリューションを要求している。 この致命的なオピオイド危機に対処するため、グラフ学習法は複雑な薬物関連現象をモデル化するための有望なパラダイムとして登場した。 実際のオピオイド危機シナリオにまたがってこれらの手法を体系的に評価するための包括的なベンチマークは存在しない。 このギャップを埋めるために、私たちはOPBenchという3つの重要なアプリケーション領域にまたがる5つのデータセットからなる初の総合オピオイドベンチマークを紹介した。 特にOPBenchは、薬物関連データ間のリッチで複雑な関係情報を保存するために、異種グラフやハイパーグラフを含む多様なグラフ構造を組み込んでいる。 データ不足に対処するため、私たちはドメインの専門家や権威機関と協力して、プライバシと倫理ガイドラインを守りながらデータセットのキュレートと注釈付けを行います。 さらに,標準化されたプロトコル,事前定義されたデータ分割,再現可能なベースラインを備えた統一評価フレームワークを構築し,グラフ学習手法の公正かつ体系的な比較を容易にする。 大規模な実験を通じて,既存のグラフ学習手法の強みと限界を分析し,オピオイド危機に対する今後の研究に有効な知見を提供する。 ソースコードとデータセットはhttps://github.com/Tianyi-Billy-Ma/OPBench.comで公開されています。

関連論文リスト

• High-Order Progressive Trajectory Matching for Medical Image Dataset Distillation [38.58097105351775]
  トラジェクトリマッチングは、データセット蒸留の有望な方法論として登場した。 本稿では,パラメータ軌跡の幾何学的構造を捉える形状ワイドポテンシャルと,簡易で複雑なマッチング戦略を提案する。 医用画像分類タスクの実験では,プライバシを保ちながら蒸留性能を向上させることが示されている。
  論文  参考訳（メタデータ） (2025-09-29T01:45:11Z)
• PharmacoMatch: Efficient 3D Pharmacophore Screening via Neural Subgraph Matching [0.5113447003407372]
  本稿では,ニューラルサブグラフマッチングに基づく新しいコントラスト学習手法であるPharmacoMatchを紹介する。 本手法は,医薬検診を近似的な部分グラフマッチング問題として再解釈する。 既存のソリューションに匹敵する、はるかに短いランタイムとパフォーマンスメトリクスを示します。
  論文  参考訳（メタデータ） (2024-09-10T08:17:06Z)
• 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)
• A Deep Learning Approach to the Prediction of Drug Side-Effects on Molecular Graphs [2.4087148947930634]
  グラフニューラルネットワークを用いて薬物副作用を予測する手法を開発した。 私たちは、自由にアクセス可能で、確立されたデータソースからデータセットを構築します。 その結果,本手法は,多くのパラメータや指標の下で,分類能力の向上を図っている。
  論文  参考訳（メタデータ） (2022-11-30T10:12:41Z)
• 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)
• DrugOOD: Out-of-Distribution (OOD) Dataset Curator and Benchmark for AI-aided Drug Discovery -- A Focus on Affinity Prediction Problems with Noise Annotations [90.27736364704108]
  我々は、AI支援薬物発見のための体系的なOODデータセットキュレーターおよびベンチマークであるTarmOODを提案する。 DrugOODには、ベンチマークプロセスを完全に自動化するオープンソースのPythonパッケージが付属している。 我々は、薬物標的結合親和性予測という、AIDDにおける最も重要な問題の1つに焦点を当てる。
  論文  参考訳（メタデータ） (2022-01-24T12:32:48Z)
• 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)
• Hierarchical Reinforcement Learning for Automatic Disease Diagnosis [52.111516253474285]
  政策学習のための対話システムに2段階の階層的な政策構造を統合することを提案する。 提案した政策構造は,多くの疾患や症状を含む診断問題に対処することができる。
  論文  参考訳（メタデータ） (2020-04-29T15:02:41Z)

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。