論文の概要: Exploring Drug Safety Through Knowledge Graphs: Protein Kinase Inhibitors as a Case Study

• arxiv url: http://arxiv.org/abs/2603.00097v1
• Date: Tue, 17 Feb 2026 12:30:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 01:20:08.048283
• Title: Exploring Drug Safety Through Knowledge Graphs: Protein Kinase Inhibitors as a Case Study
• Title（参考訳）: 知識グラフによる医薬品の安全性探索:プロテインキナーゼ阻害薬を事例として
• Authors: David Jackson, Michael Gertz, Jürgen Hesser,
• Abstract要約: 逆薬物反応(英: Adverse Drug Reactions, ADRs)は、致死率と死亡率の主要な原因である。 既存の予測方法は、主に化学類似性、構造化データベースでの機械学習、あるいは孤立したターゲットプロファイルに依存している。 本稿では,多様な情報源,薬物標的データ(EMBL),臨床試験文献(ChBL),トライアルメタデータ(ClinicalTrials.gov),販売後安全報告(FAERS)を統一した知識グラフベースのフレームワークを提案する。 得られたネットワークは、有効性、表現型およびターゲット類似性の文脈的比較と、ターゲット-逆-事象相関によるADR予測を可能にする。
• 参考スコア（独自算出の注目度）: 3.487220175067471
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adverse Drug Reactions (ADRs) are a leading cause of morbidity and mortality. Existing prediction methods rely mainly on chemical similarity, machine learning on structured databases, or isolated target profiles, but often fail to integrate heterogeneous, partly unstructured evidence effectively. We present a knowledge graph-based framework that unifies diverse sources, drug-target data (ChEMBL), clinical trial literature (PubMed), trial metadata (ClinicalTrials.gov), and post-marketing safety reports (FAERS) into a single evidence-weighted bipartite network of drugs and medical conditions. Applied to 400 protein kinase inhibitors, the resulting network enables contextual comparison of efficacy (HR, PFS, OS), phenotypic and target similarity, and ADR prediction via target-to-adverse-event correlations. A non-small cell lung cancer case study correctly highlights established and candidate drugs, target communities (ERbB, ALK, VEGF), and tolerability differences. Designed as an orthogonal, extensible analysis and search tool rather than a replacement for current models, the framework excels at revealing complex patterns, supporting hypothesis generation, and enhancing pharmacovigilance. Code and data are publicly available at https://github.com/davidjackson99/PKI_KG.
• Abstract（参考訳）: 逆薬物反応(英: Adverse Drug Reactions, ADRs)は、致死率と死亡率の主要な原因である。 既存の予測方法は、主に化学的類似性、構造化されたデータベースでの機械学習、または孤立したターゲットプロファイルに依存しているが、しばしば不均一で部分的に構造化されていない証拠を効果的に統合することができない。 本稿では,さまざまな情報源,薬物ターゲットデータ(ChEMBL),臨床試験文献(PubMed),トライアルメタデータ(ClinicalTrials.gov),販売後安全報告(FAERS)をひとつのエビデンス重み付き2部ネットワークに統一する知識グラフベースのフレームワークを提案する。 400のプロテインキナーゼ阻害剤に適用すると、結果として得られるネットワークは、効果(HR、PSS、OS)、表現型およびターゲット類似性、およびADR予測をターゲット-逆-イベント相関によって文脈的に比較することができる。 非小細胞肺癌症例では, 確立された薬剤, 標的群集(ERbB, ALK, VEGF) , 耐性の違いが正しく強調された。 現在のモデルを置き換えるのではなく、直交的で拡張可能な分析および検索ツールとして設計されたこのフレームワークは、複雑なパターンを明らかにすること、仮説生成のサポート、薬品の移動性の向上に長けている。 コードとデータはhttps://github.com/davidjackson99/PKI_KGで公開されている。

関連論文リスト

• Dual-Pathway Fusion of EHRs and Knowledge Graphs for Predicting Unseen Drug-Drug Interactions [5.481037938702276]
  薬物と薬物の相互作用(DDI)は予防可能な害の主要な原因である。 我々は,患者レベル EHR の文脈に基づいて,KG 関係のスコアリングを条件付ける最初のシステムを紹介した。 融合"Teacher"は、両方のソースに表される薬物対のメカニズム固有の関係を学習する。 蒸留された「Student」は、推論時にKGアクセスのない新規または稀に使用される薬物に一般化する。
  論文  参考訳（メタデータ） (2025-11-10T03:18:16Z)
• A Hybrid Computational Intelligence Framework with Metaheuristic Optimization for Drug-Drug Interaction Prediction [0.8602553195689512]
  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。
  論文  参考訳（メタデータ） (2025-10-08T09:55:18Z)
• Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
  目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。 回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
  論文  参考訳（メタデータ） (2024-05-23T13:22:17Z)
• 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)
• PGraphDTA: Improving Drug Target Interaction Prediction using Protein Language Models and Contact Maps [4.590060921188914]
  薬物発見の鍵となる側面は、新規な薬物標的相互作用(DT)の同定である。 タンパク質-リガンド相互作用は結合親和性として知られる結合強度の連続性を示す。 性能向上のための新しい改良を提案する。
  論文  参考訳（メタデータ） (2023-10-06T05:00:25Z)
• ADRNet: A Generalized Collaborative Filtering Framework Combining Clinical and Non-Clinical Data for Adverse Drug Reaction Prediction [49.56476929112382]
  逆薬物反応(ADR)予測は、医療と薬物発見において重要な役割を果たす。 ADRNetは、臨床データと非臨床データを組み合わせた一般的な協調フィルタリングフレームワークである。
  論文  参考訳（メタデータ） (2023-08-03T11:28:12Z)
• 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)
• CausalBench: A Large-scale Benchmark for Network Inference from Single-cell Perturbation Data [61.088705993848606]
  本稿では,実世界の介入データに対する因果推論手法を評価するベンチマークスイートCausalBenchを紹介する。 CaulBenchには、新しい分散ベースの介入メトリクスを含む、生物学的に動機付けられたパフォーマンスメトリクスが含まれている。
  論文  参考訳（メタデータ） (2022-10-31T13:04:07Z)
• 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)
• Modular multi-source prediction of drug side-effects with DruGNN [3.229607826010618]
  薬物副作用(DSE)は公衆衛生、医療システムコスト、薬物発見プロセスに高い影響を与える。 それらの発生を予測するためには、異種源からのデータを統合する必要がある。 この研究において、そのような異種データはグラフデータセットに統合され、異なるエンティティ間の関係情報を表現的に表現する。 グラフニューラルネットワーク(GNN)は、データセット上のDSEを非常に有望な結果で予測するために利用される。
  論文  参考訳（メタデータ） (2022-02-15T09:41:05Z)
• 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)

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。