論文の概要: CrossADR: enhancing adverse drug reactions prediction for combination pharmacotherapy with cross-layer feature integration and cross-level associative learning

• arxiv url: http://arxiv.org/abs/2603.15047v1
• Date: Mon, 16 Mar 2026 09:58:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 18:28:57.995922
• Title: CrossADR: enhancing adverse drug reactions prediction for combination pharmacotherapy with cross-layer feature integration and cross-level associative learning
• Title（参考訳）: CrossADR:クロス層機能統合とクロスレベル連想学習を組み合わせた薬物療法における副作用予測の強化
• Authors: Y. Cheung,
• Abstract要約: 併用療法は相当な治療効果をもたらすが、有害薬物反応(ADR)のリスクを生じさせる。 ここでは,クロス層機能統合とクロスレベル連想学習による臓器レベルのADR予測のための階層的フレームワークであるCrossADRを提案する。 ゲート-残留フローグラフニューラルネットワークを組み込んで、マルチスケールの分子的特徴を融合させ、学習可能なADR埋め込み空間を利用して、15の臓器系にまたがる潜在生物学的相関を動的に捉える。
• 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: Combination pharmacotherapy offers substantial therapeutic advantages but also poses substantial risks of adverse drug reactions (ADRs). The accurate prediction of ADRs with interpretable computational methods is crucial for clinical safety management, drug development, and precision medicine. However, managing ADRs remains a challenge due to the vast search space of drug combinations and the complexity of physiological responses. Current graph-based architectures often struggle to effectively integrate multi-scale biological information and frequently rely on fixed association matrices, which limits their ability to capture dynamic organ-level dependencies and generalize across diverse datasets. Here we propose CrossADR, a hierarchical framework for organ-level ADR prediction through cross-layer feature integration and cross-level associative learning. It incorporates a gated-residual-flow graph neural network to fuse multi-scale molecular features and utilizes a learnable ADR embedding space to dynamically capture latent biological correlations across 15 organ systems. Systematic evaluation on the newly constructed CrossADR-Dataset-covering 1,376 drugs and 946,000 unique combinations-demonstrates that CrossADR consistently achieves state-of-the-art performance across 80 distinct experimental scenarios and provides high-resolution insights into drug-related protein protein interactions and pathways. Overall, CrossADR represents a robust tool for cross-scale biomedical information integration, cross-layer feature integration as well as cross-level associative learning, and can be effectively utilized to prevent ADRs in clinical decision-making.
• Abstract（参考訳）: 併用薬理療法は、相当な治療上の利点を提供するが、また、副作用薬反応(ADR)のかなりのリスクを生じさせる。 解釈可能な計算手法によるADRの正確な予測は、臨床安全管理、薬物開発、精密医療に不可欠である。 しかし、薬物の組み合わせの膨大な検索スペースと生理的反応の複雑さのため、ADRの管理は依然として課題である。 現在のグラフベースのアーキテクチャは、しばしばマルチスケールの生物学的情報を効果的に統合するのに苦労し、しばしば固定された関連行列に依存する。 ここでは,クロス層機能統合とクロスレベル連想学習による臓器レベルのADR予測のための階層的フレームワークであるCrossADRを提案する。 ゲート-残留フローグラフニューラルネットワークを組み込んで、マルチスケールの分子的特徴を融合させ、学習可能なADR埋め込み空間を利用して、15の臓器系にわたる潜伏生物学的相関を動的に捉える。 新たに構築されたCrossADR-Dataset-covering 1,376の薬物と946,000のユニークな組み合わせに関する体系的な評価では、CrossADRは80の異なる実験シナリオで一貫して最先端のパフォーマンスを達成し、薬物関連タンパク質の相互作用と経路に関する高精細な洞察を提供する。 全体として、CrossADRは、クロススケールなバイオメディカル情報統合、クロスレイヤー機能統合、およびクロスレベルな連想学習のための堅牢なツールであり、臨床意思決定におけるADRの予防に有効に活用することができる。

関連論文リスト

• Exploring Drug Safety Through Knowledge Graphs: Protein Kinase Inhibitors as a Case Study [3.487220175067471]
  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。
  論文  参考訳（メタデータ） (2026-02-17T12:30:33Z)
• scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration [53.683726781791385]
  単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークを導入する。 本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。
  論文  参考訳（メタデータ） (2025-10-28T21:28:39Z)
• Integrating Genomics into Multimodal EHR Foundation Models [56.31910745104141]
  本稿では,ポリジェニックリスクスコア(PRS)を基本データモダリティとして統合した,革新的なEHR基盤モデルを提案する。 このフレームワークは、臨床データと遺伝子前置詞の複雑な関係を学習することを目的としている。 このアプローチは、病気の予測、積極的な健康管理、リスク階層化、パーソナライズされた治療戦略に対する新たな洞察を解放するために重要である。
  論文  参考訳（メタデータ） (2025-10-24T15:56:40Z)
• 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)
• 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)
• DNMDR: Dynamic Networks and Multi-view Drug Representations for Safe Medication Recommendation [9.504676133698895]
  本稿では、動的ネットワークとマルチビュードラッグ表現(DNMDR)を統合した新しい医薬勧告(MR)手法を提案する。 DNMDR法は,PRAUC, Jaccard, DDIレートなど,様々な指標において,最先端のベースラインモデルよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2025-01-15T04:36:55Z)
• 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)
• Multiscale Topology in Interactomic Network: From Transcriptome to Antiaddiction Drug Repurposing [0.3683202928838613]
  米国における薬物依存の激化は、革新的な治療戦略の緊急の必要性を浮き彫りにしている。 本研究は,オピオイドおよびコカイン依存症治療の薬物再服用候補を探索するための,革新的で厳格な戦略に着手した。
  論文  参考訳（メタデータ） (2023-12-03T04:01:38Z)
• 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)
• Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
  内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。 まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。 次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
  論文  参考訳（メタデータ） (2021-11-08T07:57:30Z)

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。