論文の概要: BVSIMC: Bayesian Variable Selection-Guided Inductive Matrix Completion for Improved and Interpretable Drug Discovery

• arxiv url: http://arxiv.org/abs/2603.18957v1
• Date: Thu, 19 Mar 2026 14:25:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:06.197324
• Title: BVSIMC: Bayesian Variable Selection-Guided Inductive Matrix Completion for Improved and Interpretable Drug Discovery
• Title（参考訳）: BVSIMC : 改良・解釈可能な薬物発見のためのベイズ可変選択誘導誘導マトリックスコンプリート
• Authors: Sijian Fan, Liyan Xiong, Dayuan Wang, Guoshuai Cai, Ray Bai,
• Abstract要約: 薬物発見における側面特徴の変動選択を可能にする新しいベイズモデルを提案する。 少ない潜伏埋め込みを学習することにより、BVSIMCは予測精度と解釈可能性の両方を改善する。 本手法をシミュレーション研究および2つの薬物発見応用を通じて検証する。
• 参考スコア（独自算出の注目度）: 2.544539499281093
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent advances in drug discovery have demonstrated that incorporating side information (e.g., chemical properties about drugs and genomic information about diseases) often greatly improves prediction performance. However, these side features can vary widely in relevance and are often noisy and high-dimensional. We propose Bayesian Variable Selection-Guided Inductive Matrix Completion (BVSIMC), a new Bayesian model that enables variable selection from side features in drug discovery. By learning sparse latent embeddings, BVSIMC improves both predictive accuracy and interpretability. We validate our method through simulation studies and two drug discovery applications: 1) prediction of drug resistance in Mycobacterium tuberculosis, and 2) prediction of new drug-disease associations in computational drug repositioning. On both synthetic and real data, BVSIMC outperforms several other state-of-the-art methods in terms of prediction. In our two real examples, BVSIMC further reveals the most clinically meaningful side features.
• Abstract（参考訳）: 薬物発見の最近の進歩は、副作用(例えば、薬物に関する化学的性質、疾患に関するゲノム情報)を組み込むことで、予測性能が大幅に向上することを示した。 しかし、これらの側面の特徴は関連性が大きく、しばしばうるさくて高次元である。 薬物発見における副次的特徴からの可変選択を可能にする新しいベイズモデルであるベイズ可変選択誘導誘導行列補完(BVSIMC)を提案する。 少ない潜伏埋め込みを学習することにより、BVSIMCは予測精度と解釈可能性の両方を改善する。 シミュレーションによる方法の検証と薬物発見の2つの応用について述べる。 1) Mycobacterium tuberculosis における薬剤耐性の予測 2【計算薬物再配置における新薬効関連性の予測】 合成データと実データの両方において、BVSIMCは予測の観点から他の最先端の手法よりも優れている。 私たちの2つの実例では、BVSIMCはより臨床的に有意義な側面の特徴を明らかにします。

関連論文リスト

• InversionGNN: A Dual Path Network for Multi-Property Molecular Optimization [77.79862482208326]
  InversionGNNは、多目的薬物発見のための有効だがサンプル効率のよいデュアルパスグラフニューラルネットワーク(GNN)である。 関数群の最適組み合わせに関する知識を得るために,マルチプロパティ予測のためのモデルを訓練する。 そして、学習された化学知識は、インバージョン生成経路が要求される性質を持つ分子を生成するのに役立つ。
  論文  参考訳（メタデータ） (2025-03-03T12:53:36Z)
• KITE-DDI: A Knowledge graph Integrated Transformer Model for accurately predicting Drug-Drug Interaction Events from Drug SMILES and Biomedical Knowledge Graph [0.11049608786515838]
  薬物と薬物の相互作用(DDI)は、身体の損傷や死に至ることがある。 DDIイベントを予測するための現代の研究は、バイオメディカル知識グラフ(KG)または薬物SMILESの情報に依存する。 本研究では,エンドツーエンドの完全自動機械学習パイプラインを生成するために,KG統合トランスフォーマーアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-12-08T00:49:57Z)
• DRExplainer: Quantifiable Interpretability in Drug Response Prediction with Directed Graph Convolutional Network [42.14589019570618]
  薬物反応予測のための新しい解釈可能な予測モデルDRExplainerを提案する。 DRExplainerは、細胞株のマルチオミクスプロファイル、薬物の化学構造、既知の薬物応答を統合した有向二部ネットワークを構築する。 計算実験では、DRExplainerは最先端の予測手法と別のグラフベースの説明手法より優れている。
  論文  参考訳（メタデータ） (2024-08-22T05:45:48Z)
• Permutation invariant multi-output Gaussian Processes for drug combination prediction in cancer [2.1145050293719745]
  がんにおける線量応答予測は、機械学習における活発な応用分野である。 目標は、実験的な設計をガイドしたり、治療決定を知らせるために使用できる正確な予測モデルを開発することである。
  論文  参考訳（メタデータ） (2024-06-28T18:28:38Z)
• 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)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Multi-View Substructure Learning for Drug-Drug Interaction Prediction [69.34322811160912]
  DDI予測のための新しいマルチビュードラッグサブ構造ネットワーク(MSN-DDI)を提案する。 MSN-DDIは、単一の薬物(イントラビュー)と薬物ペア(インタービュー)の両方の表現から化学的サブ構造を同時に学習し、そのサブ構造を利用して、薬物表現を反復的に更新する。 総合的な評価では、MSN-DDIは、トランスダクティブ・セッティングの下で比較的改善された19.32%と99%以上の精度を達成することで、既存の薬物に対するDDI予測をほぼ解決したことを示している。
  論文  参考訳（メタデータ） (2022-03-28T05:44:29Z)
• Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug Response [49.86828302591469]
  本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。 我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。 アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
  論文  参考訳（メタデータ） (2020-05-13T20:29:48Z)

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。